在Sequence-to-sequence模型中，常用的Encoder结构有以下几种：

  1. Recurrent Neural Network (RNN): RNN是最早应用于序列数据处理的模型之一。它通过在每个时间步对输入序列进行逐步处理，并保留一个隐藏状态，用于捕捉上下文信息。常用的RNN变体有SimpleRNN、GRU和LSTM。

  2. Convolutional Neural Network (CNN): CNN最初应用于图像处理，但也可以用于序列数据的建模。在Sequence-to-sequence模型中，CNN通常用于处理输入序列的局部信息。它通过使用卷积层和池化层来提取特征，并在每个时间步骤上应用相同的卷积核。

  3. Transformer: Transformer是一种基于注意力机制的Encoder-Decoder结构。它通过自注意力机制来建模输入序列中的依赖关系，并且具有并行计算的优势。Transformer由多个Encoder层组成，每个Encoder层由多头自注意力机制和全连接前馈网络组成。

  这些Encoder结构在Sequence-to-sequence模型中都有广泛的应用，并且在不同的场景下有各自的优势。选择Encoder结构通常需要根据具体任务的特点和数据集的性质来进行评估和选择。