你有沒有在你把中文句子丟進模型，想讓它輸出英文、摘要或一段新文字，發現只看表面常常不夠？
你可以把它想成一個先讀進來、再一步一步寫出去的序列轉換器。
翻譯、摘要、對話生成都不是單一分類，而是要把一串輸入變成另一串輸出。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
一般分類模型 分類模型像判斷圖片是貓還是狗，Seq2Seq 則像把「貓」的圖片轉成「Cat」的文字，是從一個序列變到另一個序列。
最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。
記住這句就好
輸入是一串，輸出也是一串，就是 Seq2Seq。
實際案例
機器翻譯把「我今天很忙」轉成英文句子，輸出長度不一定和輸入相同。 摘要系統把長新聞壓成短摘要，保留重點但刪掉多餘細節。
算法與應用
典型架構是 encoder 讀入序列、decoder 逐步產生輸出，注意力機制讓 decoder 能看回重要片段。 現在多數任務也會直接用 Transformer 版 Seq2Seq。
情境判斷
Q1（直覺題）： 把英文句子翻成中文，這是 Seq2Seq 嗎？
→ 是。輸入和輸出都是序列，正是它的典型用途。
Q2（判斷題）： 如果模型只是在判斷這句話是正面還是負面，還算 Seq2Seq 嗎？
→ 不算。那是分類任務，不是序列轉序列。
常見問題
Seq2Seq模型中的編碼器和解碼器分別是什麼？
編碼器負責將輸入序列轉換為一個固定長度的上下文向量，這個向量包含了輸入序列的關鍵信息。解碼器則利用這個上下文向量，逐步生成目標序列。編碼器和解碼器通常由循環神經網路（RNN）或Transformer架構組成。
注意力機制在Seq2Seq模型中的作用是什麼？
注意力機制允許解碼器在生成每個輸出單詞時，有選擇性地關注輸入序列的不同部分，從而提高模型的性能。它通過計算注意力權重向量，表示輸入序列中每個單詞的重要性，然後根據注意力權重向量對編碼器的隱藏狀態進行加權求和，得到一個上下文向量。
Seq2Seq模型有哪些常見的變體？
Seq2Seq模型有很多變體，例如使用不同類型的RNN（例如LSTM、GRU）、使用Transformer架構、使用不同的注意力機制、使用不同的訓練策略等。此外，還有一些針對特定任務的Seq2Seq模型變體，例如用於機器翻譯的NMT（Neural Machine Translation）模型。