Visualizza wikitesto di Sequence to Sequence (seq2seq)

{{template architettura
|NomeInglese=Sequence to Sequence Model
|Sigla=seq2seq
|AnnoDiCreazione=2014
|Pubblicazione=Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation
|URLHomePage=https://arxiv.org/abs/1406.1078
|Topic=Sequenze, Reti neurali, traduzione, Generazione
}}
Classe di approcci e metodi utilizzati nel campo del deep learning, soprattutto nei task di traduzione automatica ma anche, per esempio, per la creazione di didascalie di immagini. Essi fondano le basi concettuali per le architetture [[Transformer (Architettura di Deep Learning)|transformer]].

Sono basati su un modello encoder-decoder in cui:

* l''''encoder''' processa la sequenza di input creando una rappresentazione semantica dell'input, che catturi le informazioni essenziali
* il '''decoder''' utilizza gli stati nascosti dell'encoder, in cui viene rappresentazione l'informazione per creare una sequenza di output

=== Esempio di utilizzo nel task di traduzione automatica ===
La pubblicazione [https://arxiv.org/abs/1406.1078 Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation] del 2014 dimostra il concetto perfettamente. Si può seguire il codice nell'implementazione in Pytorch a [https://github.com/graykode/nlp-tutorial/blob/d05e31ec81d56d70c1db89b99ab07e948f7ebc11/4-1.Seq2Seq/Seq2Seq.py#L56 questo URL] (che contiene un errore però nel padding delle sequenze di output) o a [https://github.com/bentrevett/pytorch-seq2seq/blob/main/2%20-%20Learning%20Phrase%20Representations%20using%20RNN%20Encoder-Decoder%20for%20Statistical%20Machine%20Translation.ipynb questo URL], più complesso ma aderente alla pubblicazione: usa anche la tecnica di [[Teacher Forcing (Reti Neurali)|teacher forcing]] e fa una valutazione [[Bilingual Evaluation Understudy (BLEU)|BLEU]] alla fine.

Concettualmente, il modello Seq2Seq viene rappresentato come due RNN. Durante il [[forward pass]]: 
* la prima RNN, l'encoder, prende l'input, con token di padding a lunghezza predefinita, e lo processa, finendo con l'avere uno stato nascosto
* questo '''stato nascosto''' dell'encoder viene passato come stato nascosto della RNN decoder (contesto), e la RNN viene eseguita per tanti step quanti i token nella sequenza attesa. A ogni step, viene passato il '''contesto concatenato all'input corrente''' e il layer nascosto corrente del decoder.
* Un layer lineare connette poi lo stato nascosto del decoder all'output, spesso con rappresentazione [[One-hot encodings|one-hot]]

Durante la fase di addestramento, la perdita viene calcolata confrontando l'output con il target, codificato con un token di fine sequenza. La backpropagation in questo caso cercherà di far sì che le sequenze di output assomiglino a quelle di input il più possibile. 

Durante la fase di inferenza, il token di inizio frase (anche detto [[sequenza di priming]]) fa sì che la rete cominci a elaborare e emettere i token.  

=== Rappresentazione Grafica ===
Qui sotto si veda la rappresentazione dell'elaborazione in "Learning Phrase Representations using RNN Encoder–Decoder 

for Statistical Machine Translation" 

[[File:Seq2seq.png|senza_cornice|600x600px]] 

=== Links ===
https://arxiv.org/abs/1406.1078

https://github.com/bentrevett/pytorch-seq2seq 

[[Category:architettura]]

{{#seo:
            |title=Sequence to Sequence Model
            |title_mode=append
            |keywords=reti neurali, deep learning, traduzione automatica, sequenze, encoder-decoder, NLP, elaborazione del linguaggio naturale, intelligenza artificiale, apprendimento automatico, modello linguistico
            |description=Il modello Sequence to Sequence (seq2seq) è un approccio di deep learning basato su un'architettura encoder-decoder, utilizzato principalmente per la traduzione automatica e la generazione di didascalie di immagini. L'encoder elabora la sequenza di input e ne crea una rappresentazione semantica, mentre il decoder utilizza questa rappresentazione per generare una sequenza di output. Questo modello ha gettato le basi per architetture più avanzate come i Transformer.
            |image=Seq2seq.png
            }}