50是“但”
76是“等了”
58是 “五年”
之所以有多个50 50 50 50是因为batchsize比数据量大
1是开始
2是句子结束
可见 竖列 前四个也是一样的
76是 “but”
64是 “waited”
100是 “5”
5是 “years”
可见00-09的前4竖列是1，对应decoder_inputs的长度
seq2seq 做翻译，训练时 最终feed的数据的样子（接上文）
原创
©著作权归作者所有：来自51CTO博客作者TechOnly的原创作品，请联系作者获取转载授权，否则将追究法律责任
提问和评论都可以，用心的回复会被更多人看到
评论
发布评论
相关文章
-
使用Python实现深度学习模型：序列到序列模型（Seq2Seq）
本文介绍了序列到序列（Seq2Seq）模型的基本原理，并使用 Python 和 TensorFlow/Keras 实现了一个简单的英法翻译模型。
编码器 tensorflow Python Seq2Seq -
seq2seq 训练时 feed 自己的数据
在这个文件加入以下代码https://github.com/tensorflow/models/blob/maste
tensorflow github 数据文件 -
seq2seq
学习率调整策略——六种
代码实现 生成式 -
NLP 《seq2seq》
一：RNN的种类结构RNN：每个神经元的输入包括两个方面，一个是前一个神经元的隐藏层状态 h (用于记忆，
seq2seq attention 归一化 权重 循环神经网络 -
seq2seq 实例
在https://github.com/tensorflow/models/blob/master/tutorials/rnn/translat
git tensorflow github -
带注意力机制的Seq2Seq翻译模型
1.注意力机制原理上一篇博文介绍了如何使用Tensorflow来搭建一个简单的NMT模型，但那只
attention 注意力机制 seq2seq tensorflow 相似度计算 -
经典Seq2Seq与注意力Seq2Seq模型结构详解
介绍在本文中，我们将分析一个经典的序列对序列(Seq2Seq)模型的结构，并演示使用注意解码器的优点。这两个概念将为理解本文提出的Transfo
rnn 神经网络翻译 seq2seq transformer 注意力机制 -
ddd 调用rpc 写在哪一层
dir 内置函数变量，数据，函数都是对象In [9]: def demo(): ...: """这个是测试函数""" ...: print("123") ...:
ddd 调用rpc 写在哪一层 创建对象 类名 初始化
