返回全部题目← 上一题43 / 71下一题 →题库/模型基础与推理/Q-4856Attention 相比传统 Seq2Seq 的固定向量编码解决了什么问题？知识专题：Transformer 与注意力题目类型：比较选型技术难度：基础题集来源：2 个未标记未标记待复习已掌握收藏反馈（在 GitHub 新标签页打开）Sorry o(╥﹏╥)o，暂无参考答案。带这道题，问问AI吧~问 AIKimiKimi（新窗口打开）Qwen千问（新窗口打开）OpenAIChatGPT（新窗口打开）本题目录收录题集相关题目收录题集2 个来源，共2 份题集自然语言处理Rocky Ding · AIGC-Interview-Book · 1 条原题查看题集 →Seq2Seq 和 Attention 如何推动机器翻译？模型架构与注意力Firefly · llm_interview_note · 1 条原题查看题集 →Attention机制和传统的Seq2Seq模型有什么区别？相关题目4 题0036Transformer 中的 Attention 如何计算？同一知识专题题目类型：原理机制技术难度：进阶相关面经：20 篇0268Self-Attention 为何利于并行训练，与 RNN 相比有哪些局限？同一知识专题题目类型：比较选型技术难度：进阶相关面经：2 篇0572Self-Attention 为什么需要 Scaling？同一知识专题题目类型：原理机制技术难度：进阶相关面经：3 篇0575手写 Multi-Head Attention。同一知识专题题目类型：代码题技术难度：进阶相关面经：6 篇♥♥♥♥♥← 上一题已到最后一题← 上一题手写用于因果语言建模的 Transformer Decoder。下一题 →Attention 中如何屏蔽 Padding 位置，为什么应在 Softmax 前处理？
