CV崗位面試題：encode和decode思想的差距在什么地方。

解析：

解析1： 

Encoder-Decoder(編碼-解碼)是深度學(xué)習(xí)中非常常見的一個(gè)模型框架，比如無監(jiān)督算法的auto-encoding就是用編碼-解碼的結(jié)構(gòu)設(shè)計(jì)并訓(xùn)練的；比如image caption的應(yīng)用，就是CNN-RNN的編碼-解碼框架；再比如神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯NMT模型，往往就是LSTM-LSTM的編碼-解碼框架。因此，準(zhǔn)確的說，Encoder-Decoder并不是一個(gè)具體的模型，而是一類框架。Encoder和Decoder部分可以是任意的文字，語音，圖像，視頻數(shù)據(jù)，模型可以采用CNN，RNN，BiRNN、LSTM、GRU等等。所以基于Encoder-Decoder，我們可以設(shè)計(jì)出各種各樣的應(yīng)用算法。

Encoder-Decoder框架有一個(gè)最顯著的特征就是它是一個(gè)End-to-End學(xué)習(xí)的算法；本文將以文本-文本的例子作為介紹，這樣的模型往往用在機(jī)器翻譯中，比如將法語翻譯成英語。這樣的模型也被叫做 Sequence to Sequence learning[1]。所謂編碼，就是將輸入序列轉(zhuǎn)化成一個(gè)固定長度的向量；解碼，就是將之前生成的固定向量再轉(zhuǎn)化成輸出序列。

解析2：

一、Encoder-Decoder（編碼-解碼）

介紹

Encoder-Decoder是一個(gè)模型構(gòu)架，是一類算法統(tǒng)稱，并不是特指某一個(gè)具體的算法，在這個(gè)框架下可以使用不同的算法來解決不同的任務(wù)。首先，編碼（encode）由一個(gè)編碼器將輸入序列轉(zhuǎn)化成一個(gè)固定維度的稠密向量，解碼（decode）階段將這個(gè)激活狀態(tài)生成目標(biāo)譯文。

回顧一下，算法設(shè)計(jì)的基本思路：將現(xiàn)實(shí)問題轉(zhuǎn)化為一類可優(yōu)化或者可求解的數(shù)學(xué)問題，利用相應(yīng)的算法來實(shí)現(xiàn)這一數(shù)學(xué)問題的求解，然后再應(yīng)用到現(xiàn)實(shí)問題中，從而解決了現(xiàn)實(shí)問題。（比如，我們想解決一個(gè)詞性標(biāo)注的任務(wù)（現(xiàn)實(shí)問題），我們轉(zhuǎn)化成一個(gè)BIO序列標(biāo)注問題（數(shù)學(xué)模型），然后設(shè)計(jì)一系列的算法進(jìn)行求解，如果解決了這個(gè)數(shù)學(xué)模型，從而也就解決了詞性標(biāo)注的任務(wù)）。

Encoder ：編碼器，如下:

Decoder：解碼器，如下:

合并起來，如下：

更具體一點(diǎn)的表達(dá)如下所示：


說明
    1. 不論輸入和輸出的長度是什么，中間的“向量c”長度都是固定的（這是它的缺陷所在）。
    2. 根據(jù)不同的任務(wù)可以選擇不同的編碼器和解碼器（例如，CNN、RNN、LSTM、GRU等）
    3. Encoder-Decoder的一個(gè)顯著特征就是：它是一個(gè)end-to-end的學(xué)習(xí)算法。
    4. 只要符合這種框架結(jié)構(gòu)的模型都可以統(tǒng)稱為Encoder-Decoder模型。

在圖像中的應(yīng)用：比如SegNet圖像分割算法