Seq2Seq是一种循环神经网络的变种，包括编码器（Encoder）和解码器（Decoder）两部分组成。Seq2Seq是自然语言处理中的一种重要模型，可以用于机器翻译、对话系统、自动摘要。

首先介绍RNN结构与使用

RNN 基本的模型如上图所示，每个神经元接受的输入包括：前一个神经元的隐藏层状态h(用于记忆)和当前的输入x(当前信息)。神经元得到输入之后，会计算出新的隐藏状态h和输出y,然后在传递到下一个神经元。因为隐藏状态h的存在，所以RNN具有一定的记忆功能。

针对不同任务，通常要对 RNN 模型结构进行少量的调整，根据输入和输出的数量，分为三种比较常见的结构：N vs N、1 vs N、N vs 1。

1.N vs N

上图是RNN 模型的一种 N vs N 结构，包含 N 个输入 x1, x2, ..., xN，和 N 个输出 y1, y2, ..., yN。N vs N 的结构中，输入和输出序列的长度是相等的，通常适合用于以下任务：

词性标注
训练语言模型，使用之前的词预测下一个词等

2.1 vs N

在 1 vs N 结构中，我们只有一个输入 x，和 N 个输出 y1, y2, ..., yN。可以有两种方式使用 1 vs N，第一种只将输入 x 传入第一个 RNN 神经元，第二种是将输入 x 传入所有的 RNN 神经元。1 vs N 结构适合用于以下任务：

图像生成文字，输入 x 就是一张图片，输出就是一段图片的描述文字。
根据音乐类别，生成对应的音乐。
根据小说类别，生成相应的小说。

3 N vs 1

在 N vs 1 结构中，我们有 N 个输入x1,x2, ...,xN，和一个输出y。N vs 1 结构适合用于以下任务：

序列分类任务，一段语音、一段文字的类别，句子的情感分析。

Seq2seq模型：

上面的三种结构对于 RNN 的输入和输出个数都有一定的限制，但实际中很多任务的序列的长度是不固定的，例如机器翻译中，源语言、目标语言的句子长度不一样；对话系统中，问句和答案的句子长度不一样。

Seq2Seq 是一种重要的 RNN 模型，也称为 Encoder-Decoder 模型，可以理解为一种 N×M 的模型。模型包含两个部分：Encoder 用于编码序列的信息，将任意长度的序列信息编码到一个向量 c 里。而 Decoder 是解码器，解码器得到上下文信息向量 c 之后可以将信息解码，并输出为序列。Seq2Seq 模型结构有很多种，下面是几种比较常见的：

编码器 Encoder

这三种 Seq2Seq 模型的主要区别在于 Decoder，他们的 Encoder 都是一样的。下图是 Encoder 部分，Encoder 的 RNN 接受输入 x，最终输出一个编码所有信息的上下文向量 c，中间的神经元没有输出。Decoder 主要传入的是上下文向量 c，然后解码出需要的信息。

从上图可以看到，Encoder 与一般的 RNN 区别不大，只是中间神经元没有输出。其中的上下文向量c可以采用多种方式进行计算。

从公式可以看到，c 可以直接使用最后一个神经元的隐藏状态 hN 表示；也可以在最后一个神经元的隐藏状态上进行某种变换 hN 而得到，q 函数表示某种变换；也可以使用所有神经元的隐藏状态 h1, h2, ..., hN 计算得到。得到上下文向量 c 之后，需要传递到 Decoder。

解码器 Decoder

Decoder 有多种不同的结构，这里主要介绍三种。

第一种 Decoder 结构比较简单，将上下文向量 c 当成是 RNN 的初始隐藏状态，输入到 RNN 中，后续只接受上一个神经元的隐藏层状态 h' 而不接收其他的输入 x。第一种 Decoder 结构的隐藏层及输出的计算公式：

第二种 Decoder 结构有了自己的初始隐藏层状态 h'0，不再把上下文向量 c 当成是 RNN 的初始隐藏状态，而是当成 RNN 每一个神经元的输入。可以看到在 Decoder 的每一个神经元都拥有相同的输入 c，这种 Decoder 的隐藏层及输出计算公式：

第三种 Decoder 结构和第二种类似，但是在输入的部分多了上一个神经元的输出 y'。即每一个神经元的输入包括：上一个神经元的隐藏层向量 h'，上一个神经元的输出 y'，当前的输入 c (Encoder 编码的上下文向量)。对于第一个神经元的输入 y'0，通常是句子其实标志位的 embedding 向量。第三种 Decoder 的隐藏层及输出计算公式：

Seq2Seq模型使用技巧

1.Teacher Forcing

Teacher Forcing 用于训练阶段，主要针对上面第三种 Decoder 模型来说的，第三种 Decoder 模型神经元的输入包括了上一个神经元的输出 y'。如果上一个神经元的输出是错误的，则下一个神经元的输出也很容易错误，导致错误会一直传递下去。

而 Teacher Forcing 可以在一定程度上缓解上面的问题，在训练 Seq2Seq 模型时，Decoder 的每一个神经元并非一定使用上一个神经元的输出，而是有一定的比例采用正确的序列作为输入。

举例说明，在翻译任务中，给定英文句子翻译为中文。"I have a cat" 翻译成 "我有一只猫"，下图是不使用 Teacher Forcing 的 Seq2Seq：

如果使用 Teacher Forcing，则神经元直接使用正确的输出作为当前神经元的输入。

Attention

在 Seq2Seq 模型，Encoder 总是将源句子的所有信息编码到一个固定长度的上下文向量 c 中，然后在 Decoder 解码的过程中向量 c 都是不变的。这存在着不少缺陷：

对于比较长的句子，很难用一个定长的向量 c 完全表示其意义。
RNN 存在长序列梯度消失的问题，只使用最后一个神经元得到的向量 c 效果不理想。
与人类的注意力方式不同，即人类在阅读文章的时候，会把注意力放在当前的句子上。

2.beam search

beam search 方法不用于训练的过程，而是用在测试的。在每一个神经元中，我们都选取当前输出概率值最大的 top k 个输出传递到下一个神经元。下一个神经元分别用这 k 个输出，计算出 L 个单词的概率 (L 为词汇表大小)，然后在 kL 个结果中得到 top k 个最大的输出，重复这一步骤。

Seq2Seq 总结

Seq2Seq 模型允许我们使用长度不同的输入和输出序列，适用范围相当广，可用于机器翻译，对话系统，阅读理解等场景。

Seq2Seq 模型使用时可以利用 Teacher Forcing，Attention，beam search 等方法优化。

推荐一篇博主写的也非常详细

(3条消息) 编解码（seq2seq）+注意机制（attention）详细讲解_Mr_Meng__NLP的博客-CSDN博客

Seq2Seq，Seq2Seq模型使用技巧相关推荐

Tensorflow 自动文摘: 基于Seq2Seq+Attention模型的Textsum模型
Github下载完整代码 https://github.com/rockingdingo/deepnlp/tree/master/deepnlp/textsum 简介这篇文章中我们将基于Tensor ...
电气论文实现：通过电力光伏负荷预测讲解seq2seq翻译模型
通过电力光伏预测讲解seq2seq翻译模型本文主要讲解seq2seq模型,而不是光伏预测.通过一个光伏预测算例简单感受下seq2seq模型.有代码.主要文字和代码共9页. 专栏解锁,是解锁后 ...
自然语言生成任务，如文本摘要和图像标题的生成。seq2seq的模型原理
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/Irving_zhang/article/details/78889364 </div>& ...
Seq2Seq Attention模型
首先强调一下图文来源,真正的完全图解Seq2Seq Attention模型.本人目前用到此模型,发现该知乎作者的文章写得通俗易懂,于是整理作为自己的笔记.如果小伙伴对模型中各种隐层状态感到不解,请看我 ...
pytorch做seq2seq注意力模型的翻译
以下是对pytorch 1.0版本的seq2seq+注意力模型做法语--英语翻译的理解(这个代码在pytorch0.4上也可以正常跑): 1 #-*- coding: utf-8 -*- 2 &qu ...
Seq2Seq Attention模型详解
目录一.从传统Seq2Seq说起二.在Seq2Seq中引入Attention 三.引入Attention后,与传统的Seq2Seq的不同之处四.Seq2Seq的损失计算和解码过程 Seq2seq ...
【数据竞赛】Kaggle GM秘技：树模型初始化技巧
作者: 尘沙樱落树模型初始化技巧大家都知道神经网络训练的提升分数的技巧之一就是: 依据验证集合的效果,来调整learning rate的大小,从而获得更好的效果; 但我们在训练树模型的时候却往往 ...
sketchup 图片转模型_SketchUp插件：位图转模型使用技巧
有什么方法可以不建模直接生成真实好看的地形呢这里强烈安利这款神器位图转模型 ▼ 位图转模型位图转模型高程着色坡度着色插件介绍位图转模型 SUAPP编号186 作者:thomthom 该 ...
【Python机器学习及实践】进阶篇：模型实用技巧（特征提升）
Python机器学习及实践--进阶篇:模型实用技巧(特征提升) 所谓特征抽取,就是逐条将原始数据转化为特征向量的形式,这个过程同时涉及对数据特征的量化表示:而特征筛选则进一步,在高维度.已量化的特征向 ...

Seq2Seq，Seq2Seq模型使用技巧

解码器 Decoder

Seq2Seq模型使用技巧

1.Teacher Forcing

Seq2Seq，Seq2Seq模型使用技巧相关推荐

最新文章

热门文章