Encoder-Decoder

Cet outil calcule une estimation complète des ressources pour un modèle Encodeur-Décodeur Seq2Seq construit avec des architectures compatibles Keras. Il accepte des choix courants tels que des encodeurs LSTM ou GRU, des couches empilées, des dimensions d'embedding et des tailles de vocabulaire. Les sorties incluent le comptage total des paramètres, une ventilation par composant et une empreinte mémoire approximative pour soutenir les décisions de recherche, de prototypage ou de déploiement.

Conceptuellement, l'outil compte les paramètres entraînables à l'aide de formules standard : les embeddings ajoutent vocab_size × embedding_dim, une couche LSTM ajoute 4 × (input_dim × units + units × units + units) par direction, un GRU ajoute 3 × (input_dim × units + units × units + units). Les encodeurs bidirectionnels doublent le comptage; les modules d'attention ajoutent leurs propres termes selon le type. Les résultats sont des estimations architecturales, non des poids ou résultats d'entraînement; ils aident à comparer les configurations sans mener d'expérimentation.

Bénéficiaires: ingénieurs ML évaluant des options, data scientists budgétisant l'entraînement, enseignants illustrant la mise à l'échelle des modèles et étudiants apprenant la conception Seq2Seq. Valeur unique: ventilation claire par composant, prise en charge des composants bidirectionnels et d'attention, et estimations de mémoire à précision 32 bits. Cas d'utilisation: traduction automatique, résumé de texte et prévisions de séries temporelles avec sorties de séquence.

Exemples: comparer un encodeur LSTM à 2 couches avec 256 unités et un décodeur GRU à 2 couches avec 512 unités; régler embedding_dim sur 128; activer/désactiver l'attention; observer la croissance des paramètres et les besoins mémoire. Cela aide à planifier le matériel et à comparer des configurations potentielles avant le codage.