带Attention机制的Seq2Seq框架梳理

借着与同事组内分享的机会，根据论文Neural Machine Translation By Jointly Learning to Align and Translate把带Attention机制的Seq2Seq框架Encoder与Decoder部分的流程图画了一下，公式梳理了一遍。

Bi-RNN Encoder

Encoder的流程如上图所示，最终的输出结果是每个时刻的hidden_state h1,h2,h3,...,hT 。

其中的GRU使用的双向的，正向部分的公式如下

h⃗ 0=0

z⃗ i=σ(W⃗ zE⃗ xi+U⃗ zh⃗ i−1)(1)

r⃗ i=σ(W⃗ rE⃗ xi+U⃗ rh⃗ i−1)(2)

h⃗ i^=tanh(W⃗ E⃗ xi+U⃗ [r⃗ i∗h⃗ i−1])(3)

h⃗ i=(1−z⃗ i)∗h⃗ i−1+z⃗ i∗h⃗ i^,i>0(4)

反向的同上，最终的 ht 为将正向与反向的结果concat得到的向量。

Attention-Decoder

Attention Decoder的流程图如上图所示，与参考论文中不同的一点是，我把hidden_state之后Dense_layer之前的maxout layer去掉了，因为看到google Seq2Seq的实现中也没有maxout layer，与朋友讨论的结果是可能maxout layer会增加更多的计算量。还有就是最后的softmax直接变成argmax了。

上图中拿掉右边方框内的的Attention机制就是一个基本的decoder，基本的decoder与encoder的交互仅在decoder初始的hidden_state上，如将encoder中反向RNN最终的输出状态 h0 作为decoder的初始state s0 。这样对于decoder而言，只能看到源信息的一个总体概要，对于翻译任务，从人的角度来思考， 我们知道这段话的大意， 仅靠大意来进行翻译， 所以我们只能意译。为了翻译的更精准， 我们在知道大意的前提下进行翻译， 还会逐词去匹配， 比如“今天天气真好”翻译完今天之后， 注意力就会在“天气”上，考虑应该将“天气”翻译成什么词。

Attention 机制也就是注意力机制，也称为对齐模型(alignment model)， 在翻译阶段， 准备生成每个新的词的时候， 这个机制可以将注意力集中在输入的某个或某几个词上，重点关注这几个词， 可以想象成是将他们与待生成的新词进行对齐，使得翻译更精准。

整个decoding的过程可以拆分为以下几个部分

一、 离散的词ID转换为词向量

与Encoder 中的这个步骤是一样的， 只不过embedding矩阵与Encoder的可能不一样，比如翻译源语言与目标语言需要使用不同的embbedding矩阵，但是如文本摘或是文本风格改写这种就可以使用同一个embedding矩阵。

二、 由encoder的输出结合decoder的prev_hidden_state生成energy

[(h1,h2,h3,...,hT),prev_hidden_state]=>(e1,e2,e3,...,eT)

prev_hidden_state为 si−1 ， 由encoder所有时刻的输出 ht 以及decoder的hidden_state si−1 产生能量 e1,e2,...,eT 的过程是Attention的关键步骤。能量 et 的含义也就是对应的源语言输入的词 xt 对即将生成的目标语言的词 yi 的影响力。既然我们需要一个对齐模型， 根据此时每个输入词能量的大小，就可以知道应该使用哪个词与当前的 yi 进行对齐。这样的对齐方式又称为soft alignment， 也就是可以求得梯度， 所以可以与整个模型一起优化。

et=vTatanh(Wasi−1+Uaht)

其中 Uaht 的计算，与decoder的时刻无关，因此可以预先计算好，在每一个时刻将其代入即可。

三、 由energy 到概率

(e1,e2,e3,...,eT)=>(α1,α2,α3,...,αT)

使用attention的目的，是希望得到一个context向量，因此需要将 h1,h2,...,hT 融合在一起，融合若干向量最容易想到的就是加权平均，但是如果直接把能量 e 作为权值，可能会将context向量缩放若干倍，所以需要将 et 转换为概率值 αt ，使得它们的和为1， 同时可以 用来表示输入序列中每个词与当前待生成的词的匹配程度。即

∑t=1Tet=1

使用softmax求得概率 ， 公式如下

αt=exp(et)∑Tt=1exp(et)

四、context 向量合成

[(α1,α2,α3,...,αT),(h1,h2,h3,...,hT)]=>c

得到对输入序列每一时刻的权值 αt 后， 将其与encoder各时刻的输出 ht 加权求和，即得到decoder在当前时刻的context向量 ci ，公式如下

ci=∑t1Tαtht

五、prev_hidden_state, 词向量, context向量通过GRU单元生成下一时刻hidden_state

(embedded_input,prev_hidden_state,c)=>hidden_state

decoder本质是一个GRU单元，与GRU不同的在于融合了由attention机制产生的context向量。在decoding的场景，只能用单向的RNN，因为后续时刻的结果在当前时刻是未知的。

将decoder在时刻 i 的hidden_state表示为 si ，prev_hidden_state为 si−1 ，context向量c表示为 ci ，embedded_input表示为 Eyi−1 ， 则可由如下公式表示该过程：

si=(1−zi)∗si−1+zi∗si~

其中

si~=tanh(WEyi−1+U[ri∗si−1]+Cci)

zi=σ(WzEyi−1+UzSi−1+Czci)

ri=σ(WrEyi−1+Ursi−1+Crci)

六、 使用全连接层将hidden_state映射为vocabulary size的向量

(hidden_state)=>output_logist

生成的hidden_state已经包含了待生成的词的信息了，但是要生成具体的词，我们还需要知道目标语言中每个词的条件概率 p(yi|si) ， 如果 si 的维度就是目标语言的词典大小， 那么使用softmax就可以算出每个词的概率， 但是 si 的维度也属于模型的一个参数，通常是不会等于目标语言词典的大小的， 因此再增加一个全连接层， 将 si 映射为维度等于词典大小 L 的向量 vi ， 每个维度代表一个词， 使用softmax计算出每个词的概率。

vi=Wsi+b

probij=exp(vij)∑Lj=1vij

yi=argmaxprobi