Reformer: 高效的Transformer
作者：Nikita Kitaev, Łukasz Kaiser 編譯：ronghuaiyang 導讀 來自Google AI的最新的進展。 理解序列數據 —— 如語言、音樂或視頻 —— 是一項具有挑戰性的任務，特別是當它依賴於大量的周圍環境時。例如，如果一個人或一個物體在視頻中消失，很久以後又重新出現，許多模型就會忘記它的樣子。在語言領域，長短時記憶(LSTM)神經網絡覆蓋了足夠的上下文來逐句翻譯
相關文章
- 1. Reformer:高效的Transformer
- 2. 圖解Reformer：一種高效的Transformer
- 3. Reformer: The Efficient Transformer
- 4. 圖解 Reformer: The efficient Transformer
- 5. Transformer家族3 -- 計算效率優化（Adaptive-Span、Reformer）
- 6. ReFormer論文解讀（THE EFFICIENT TRANSFORMER）
- 7. ICLR2020論文閱讀筆記reformer: THE EFFICIENT TRANSFORMER
- 8. Funnel-Transformer：讓Transformer更高效地處理長序列
- 9. 高效Transformer層出不窮，谷歌團隊綜述文章一網打盡
- 10. Transformer的前世此生
- 更多相關文章...
- • SVG 模糊效果 - SVG 教程
- • XML DOM 高級 - XML 教程
- • 漫談MySQL的鎖機制
- • 互聯網組織的未來：剖析GitHub員工的任性之源
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Reformer:高效的Transformer
- 2. 圖解Reformer：一種高效的Transformer
- 3. Reformer: The Efficient Transformer
- 4. 圖解 Reformer: The efficient Transformer
- 5. Transformer家族3 -- 計算效率優化（Adaptive-Span、Reformer）
- 6. ReFormer論文解讀（THE EFFICIENT TRANSFORMER）
- 7. ICLR2020論文閱讀筆記reformer: THE EFFICIENT TRANSFORMER
- 8. Funnel-Transformer：讓Transformer更高效地處理長序列
- 9. 高效Transformer層出不窮，谷歌團隊綜述文章一網打盡
- 10. Transformer的前世此生