Ressourcen.md

@@ -95,11 +95,24 @@ Siehe auch die Präsentation [Canonicalizing Historical Text with CAB](/uploads/
 
 ## RNN
 
+[cLSTM](https://github.com/tmbdev/clstm)
+
 [DyNet](https://github.com/clab/dynet) – mit [automatischem Minibatching](https://dynet.readthedocs.io/en/latest/minibatch.html), d.h. CPU/GPU-optimaler Gruppierung beim Training
 
 [Keras](https://keras.io/)
 
-[cLSTM](https://github.com/tmbdev/clstm)
+[Keras-Erweiterung für Encoder-Decoder-Modell](https://github.com/farizrahman4u/seq2seq)
+
+[andere Keras-Erweiterung](https://github.com/jacoxu/encoder_decoder)
+
+[OpenNMT](http://opennmt.net/), v.a. die [PyTorch-Variante](https://github.com/OpenNMT/OpenNMT-py) und die [Tensorflow-Variante](https://github.com/OpenNMT/OpenNMT-tf) – viele Implementierungen für moderne Modelle der maschinellen Übersetzung, also v.a. Encoder-Attention-Decoder, siehe [[Klein et al 2018]](https://arxiv.org/abs/1805.11462)
+
+[Google-NMT](https://google.github.io/seq2seq/nmt/) – ähnlich
+
+[Implementierung von Beam-Search-Optimization](https://github.com/harvardnlp/BSO) im Encoder-Decoder-Modell – siehe [[Wiseman & Rush 2016]](/Literatur)
+
+[Tensorflow-Tutorial für Encoder-Decoder-Modell](https://www.tensorflow.org/tutorials/seq2seq)
+
 
 ## Sprachmodellierung