Reformer: 高效的Transformer
作者：Nikita Kitaev, Łukasz Kaiser 编译：ronghuaiyang 导读 来自Google AI的最新的进展。 理解序列数据 —— 如语言、音乐或视频 —— 是一项具有挑战性的任务，特别是当它依赖于大量的周围环境时。例如，如果一个人或一个物体在视频中消失，很久以后又重新出现，许多模型就会忘记它的样子。在语言领域，长短时记忆(LSTM)神经网络覆盖了足够的上下文来逐句翻译
相关文章
- 1. Reformer:高效的Transformer
- 2. 图解Reformer：一种高效的Transformer
- 3. Reformer: The Efficient Transformer
- 4. 图解 Reformer: The efficient Transformer
- 5. Transformer家族3 -- 计算效率优化（Adaptive-Span、Reformer）
- 6. ReFormer论文解读（THE EFFICIENT TRANSFORMER）
- 7. ICLR2020论文阅读笔记reformer: THE EFFICIENT TRANSFORMER
- 8. Funnel-Transformer：让Transformer更高效地处理长序列
- 9. 高效Transformer层出不穷，谷歌团队综述文章一网打尽
- 10. Transformer的前世此生
- 更多相关文章...
- • SVG 模糊效果 - SVG 教程
- • XML DOM 高级 - XML 教程
- • 漫谈MySQL的锁机制
- • 互联网组织的未来：剖析GitHub员工的任性之源
相关标签/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。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Reformer:高效的Transformer
- 2. 图解Reformer：一种高效的Transformer
- 3. Reformer: The Efficient Transformer
- 4. 图解 Reformer: The efficient Transformer
- 5. Transformer家族3 -- 计算效率优化（Adaptive-Span、Reformer）
- 6. ReFormer论文解读（THE EFFICIENT TRANSFORMER）
- 7. ICLR2020论文阅读笔记reformer: THE EFFICIENT TRANSFORMER
- 8. Funnel-Transformer：让Transformer更高效地处理长序列
- 9. 高效Transformer层出不穷，谷歌团队综述文章一网打尽
- 10. Transformer的前世此生