seq2seq，算法基本架构

最新推荐文章于 2025-07-03 19:28:59 发布

medium_hao

最新推荐文章于 2025-07-03 19:28:59 发布

阅读量3.3k

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/medium_hao/article/details/79171081

博客内容介绍了seq2seq模型的基本概念，将其概括为一个编码-解码过程，并提到了预处理步骤，包括词向量转换和停用词处理。文章强调了word2vec在预处理中的作用，并指出在数据处理后采用双向动态RNN作为编码器。作者表示自己仍在学习，并欢迎反馈和建议。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

首先，感谢唐宇迪课程。

更多内容请加入学习。

接下来说说我对于seq2seq的理解。

seq2seq简单来说就一个编码，再解码的过程，tensorflow官网也有相应的解释seq2seq

再或者githup上这篇写的很详细。

下面是主要的架构，导入一些基础库，是必不可少的。

import pandas as pd
import numpy as np
import tensorflow as tf
import re

把文件传入进来，进行预处理，比如去掉多余的项、英文的连写、一些特殊符号，还有停用词。（停用词网上有很多）

预处理中最关键的当然是word2vec的词向量转换，可以自己训练，也可以拿别人现成的，我还没有GPU环境，所以用的是别人的，目前最新的是17.06

把文本中所有的词依次转换为词向量之后，还需要加入开始符和停止符，同时记得计算下word2vec里，是否全包括了文本里的词。

reviews = pd.read_csv("")
reviews = reviews.dropna()
reviews = reviews.reset_index(drop=True)

contractions = {
"ain't": "am not",
"aren't": "are not",
"can't": "cannot",
"can't've": "cannot have",
}
def clean_text(text, remove_stopwords=True):
text = text.lower()
    if True:
        text = text.split()
        new_text = []
        for word in text:
            if word in contractions:
                new_text.append(contractions[word])
            else:
                new_text.append(word)
        text = " ".join(new_text)
    text = re.sub(r'https?:\/\/.*[\r\n]*', '', text, flags=re.MULTILINE)
    text = re.sub(r'\<a href', ' ', text)
    text = re.sub(r'&', '', text)
    text = re.sub(r'[_"\-;%()|+&=*%.,!?:#$@\[\]/]', ' ', text)
    text = re.sub(r'<br />', ' ', text)
    text = re.sub(r'\'', ' ', text)
    words = open("")
    stopwords = words.readline()

    if remove_stopwords:
        text = text.split()
        stops = set(stopwords)
        text = [w for w in text if not w in stops]
        text = " ".join(text)

    return text

clean_summaries = []
for summary in reviews.Summary:
    clean_summaries.append(clean_text(summary, remove_stopwords=False))
print("Summaries are complete.")

clean_texts = []
for text in reviews.Text:
    clean_texts.append(clean_text(text))
print("Texts are complete.")

def count_words(count_dict, text):
    for sentence in text:
        for word in sentence.split():
            if word not in count_dict:
                count_dict[word] = 1
            else:
                count_dict[word] += 1
word_counts = {}

count_words(word_counts, clean_summaries)
count_words(word_counts, clean_texts)

print("Size of Vocabulary:", len(word_counts))


embeddings_index = {}
with open('') as f:
    for line in f:
        values = line.split(' ')
        word = val