个人网站设计欣赏长沙seo网络优化
本节实现一个简单的 Seq2Seq（Sequence to Sequence）模型 的编码器（Encoder）和解码器（Decoder）部分。
重点把握Seq2Seq 模型的整体工作流程
理解编码器（Encoder）和解码器（Decoder）代码
本小节引入了nn.GRU API的调用，nn.GRU具体参数将在下一小节进行补充讲解
1. 编码器（Encoder
类定义
class Encoder(nn.Module):def __init__(self, vocab_size, embedding_dim, hidden_size):super().__init__()self.emb = nn.Embedding(vocab_size, embedding_dim)self.rnn = nn.GRU(embedding_dim, hidden_size, batch_first=True)-
vocab_size：输入词汇表的大小，即输入序列中可能出现的不同单词或标记的数量。 -
embedding_dim：嵌入层的维度，即每个单词或标记被映射到的向量空间的维度。 -
hidden_size：GRU（门控循环单元）的隐藏状态维度，决定了模型的内部状态大小。
主要组件
-
嵌入层（
nn.Embedding）-
嵌入层会将输入序列形状转换为
[batch_size, seq_len, embedding_dim]的张量。 -
这种映射是通过学习嵌入矩阵实现的，每个单词索引对应嵌入矩阵中的一行。
-
-
GRU（
nn.GRU）-
embedding_dim是 GRU 的输入维度，hidden_size是隐藏状态的维度。 -
batch_first=True表示输入和输出的张量的第一个维度是批量大小（batch_size），而不是序列长度（seq_len）。
-
前向传播（forward）
def forward(self, x):embs = self.emb(x) #batch * token * embedding_dimgru_out, hidden = self.rnn(embs) #batch * token * hidden_sizereturn gru_out, hidden
-
输入
x是一个形状为[batch_size, seq_len]的张量，表示一个批次的输入序列。 -
embs是嵌入层的输出，形状为[batch_size, seq_len, embedding_dim]。 -
gru_out是 GRU 的输出，形状为[batch_size, seq_len, hidden_size]，表示每个时间步的隐藏状态。 -
hidden是 GRU 的最终隐藏状态，形状为[1, batch_size, hidden_size]，用于传递给解码器。
2. 解码器（Decoder）
类定义
class Decoder(nn.Module):def __init__(self, vocab_size, embedding_dim, hidden_size):super().__init__()self.emb = nn.Embedding(vocab_size, embedding_dim)self.rnn = nn.GRU(embedding_dim, hidden_size, batch_first=True)-
解码器的结构与编码器类似，但它的作用是将编码器生成的上下文向量（
hidden）解码为目标序列。
主要组件
-
嵌入层（
nn.Embedding）-
与编码器类似，将目标序列的单词索引映射到嵌入向量。
-
-
GRU（
nn.GRU）-
与编码器中的 GRU 类似，但其输入是目标序列的嵌入向量，初始隐藏状态是编码器的最终隐藏状态。
-
前向传播（forward）
def forward(self, x, hx):embs = self.emb(x)gru_out, hidden = self.rnn(embs, hx=hx) #batch * token * hidden_size# batch * token * hidden_size# 1 * token * hidden_sizereturn gru_out, hidden
-
输入
x是目标序列的单词索引，形状为[batch_size, seq_len]。 -
hx是编码器的最终隐藏状态，形状为[1, batch_size, hidden_size]，作为解码器的初始隐藏状态。 -
embs是目标序列的嵌入向量，形状为[batch_size, seq_len, embedding_dim]。 -
gru_out是解码器 GRU 的输出，形状为[batch_size, seq_len, hidden_size]。 -
hidden是解码器 GRU 的最终隐藏状态，形状为[1, batch_size, hidden_size]。
3. Seq2Seq 模型的整体工作流程⭐
-
编码阶段
-
输入序列通过编码器的嵌入层，将单词索引映射为嵌入向量。
-
嵌入向量通过 GRU，生成每个时间步的隐藏状态和最终的隐藏状态（上下文向量）。
-
最终隐藏状态（
hidden）作为编码器的输出，传递给解码器。
-
-
解码阶段
-
解码器的初始隐藏状态是编码器的最终隐藏状态。
-
解码器逐个生成目标序列的单词，每次生成一个单词后，将该单词的嵌入向量作为下一次输入，同时更新隐藏状态。
-
通过这种方式，解码器逐步生成目标序列。
-