Encoder-Decoder、Seq2Seq、Attention 以及Transformer之间的关系

一、Encoder-Decoder 模型

首先我们来了解一下Encoder-Decoder 模型， Encoder-Decoder 主要是 NLP 领域里的概念，它并不特值某种具体的算法，而是一类算法的统称，称之为Encoder-Decoder结构更合适。Encoder-Decoder 算是一个通用的框架，在这个框架下可以使用不同的算法来解决不同的任务。Encoder-Decoder 这个框架很好的诠释了机器学习的核心思路：

将现实问题转化为数学问题，通过求解数学问题，从而解决现实问题。

Encoder 又称作编码器。它的作用就是“将现实问题转化为数学问题”：

Decoder 又称作解码器，他的作用是“求解数学问题，并转化为现实世界的解决方案”：

把两个环节连接起来，用通用的图来表达则是下面的样子：

关于 Encoder-Decoder，有两点需要说明：

• 不论输入和输出的长度是什么，中间的“向量 C”长度都是固定的（这也是它的缺陷，下文会详细说明）
• 根据不同的任务可以选择不同的编码器和解码器（可以是一个 RNN ，但通常是其变种 LSTM 或者 GRU ）

只要是符合上面的框架，都可以统称为 Encoder-Decoder 模型。具体实现 Encoder-Decoder 的时候，编码器和解码器都不是固定的,可选的有CNN/RNN/BiRNN/GRU/LSTM等等，你可以自由组合。比如说，你在编码时使用BiRNN,解码时使用RNN，或者在编码时使用RNN,解码时使用LSTM等等。当然提到 Encoder-Decoder 模型就经常提到一个名词——Seq2Seq。其实Encoder-Decoder和Seq2Seq几乎就是等价的，只不过Encoder-Decoder是一种抽象的框架概念，Seq2Seq是具体的一种实现。

二、Seq2Seq(Sequence to Sequence) 模型

首先要知道为什么会提出 Seq2Seq模型，它是处理序列到序列问题的利器。传统的循环神经网络中是将一个序列转化成定长输出。而 Seq2Seq 可以将一个序列转化成一个不定长的序列输出（如机器翻译中，源语言和目标语言的句子往往并没有相同的长度）。

2.1 Seq2Seq

（1）从单层网络谈起
首先来了解一下最基本的单层网络，它的结构如图：

输入是x，经过变换Wx+b和激活函数f得到输出y。

（2）经典的RNN结构（N vs N）
在实际应用中，我们还会遇到很多序列形的数据：

如：

• 自然语言处理问题。x1可以看做是第一个单词，x2可以看做是第二个单词，依次类推。
• 语音处理。此时，x1、x2、x3……是每帧的声音信号。
• 时间序列问题。例如每天的股票价格等等

序列形的数据就不太好用原始的神经网络处理了。为了建模序列问题，RNN引入了隐状态h（hidden state）的概念，h可以对序列形的数据提取特征，接着再转换为输出。先从h1的计算开始看：

图示中记号的含义是：

• 圆圈或方块表示的是向量。
• 一个箭头就表示对该向量做一次变换。如上图中h0和x1分别有一个箭头连接，就表示对h0和x1各做了一次变换。

在很多论文中也会出现类似的记号，初学的时候很容易搞乱，但只要把握住以上两点，就可以比较轻松地理解图示背后的含义。

h2的计算和h1类似。要注意的是，在计算时，每一步使用的参数U、W、b都是一样的，也就是说每个步骤的参数都是共享的，这是RNN的重要特点，一定要牢记。

依次计算剩下来的h3、h4（使用相同的参数U、W、b）：

我们这里为了方便起见，只画出序列长度为4的情况，实际上，这个计算过程可以无限地持续下去。

目前我们的RNN还没有输出，得到输出值的方法就是直接通过h进行计算。正如之前所说，一个箭头就表示对对应的向量做一次类似于f(Wx+b)的变换，这里的这个箭头就表示对h1进行一次变换，得到输出y1：

剩下的输出类似进行（使用和y1同样的参数V和c）：

OK！大功告成！这种输入序列长度为N且输出序列长度也为N的RNN就是最经典的RNN结构，我们像搭积木一样把它搭好了。它的输入是x1, x2, …xn，输出为y1, y2, …yn，也就是说，输入和输出序列必须要是等长的。

由于这个限制的存在，经典RNN的适用范围比较小，但也有一些问题适合用经典的RNN结构建模，如：

• 计算视频中每一帧的分类标签。因为要对每一帧进行计算，因此输入和输出序列等长。
• 输入为字符，输出为下一个字符的概率。

（3）N VS 1
有的时候，我们要处理的问题输入是一个序列，输出是一个单独的值而不是序列，应该怎样建模呢？实际上，我们只在最后一个h上进行输出变换就可以了：

这种结构通常用来处理序列分类问题。如输入一段文字判别它所属的类别，输入一个句子判断其情感倾向，输入一段视频并判断它的类别等等。

（4）1 VS N
输入不是序列而输出为序列的情况怎么处理？我们可以只在序列开始进行输入计算：

还有一种结构是把输入信息X作为每个阶段的输入（右图省略了一些X的圆圈，是一个等价表示）：

这种1 VS N的结构可以处理的问题有：

• 从图像生成文字（image caption），此时输入的X就是图像的特征，而输出的y序列就是一段句子
• 从类别生成语音或音乐等

（5）N vs M
下面我们来介绍RNN最重要的一个变种：N vs M。这种结构又叫Encoder-Decoder模型，也可以称之为Seq2Seq模型。

原始的N vs N RNN要求序列等长，然而我们遇到的大部分问题序列都是不等长的，如机器翻译中，源语言和目标语言的句子往往并没有相同的长度。

为此，Encoder-Decoder结构先将输入数据编码成一个上下文向量c（context vector）：

得到c有多种方式，最简单的方法就是把Encoder的最后一个隐状态赋值给c，还可以对最后的隐状态做一个变换得到c，也可以对所有的隐状态做变换，可以表示为下面三种方式：

• $c=h_4$
• $c=f(h_4)$
• $c=g(h_1,h_2,h_3,h_4)$

拿到c之后，就用另一个RNN网络对其进行解码，这部分RNN网络被称为Decoder。具体做法就是将c当做之前的初始状态h0输入到Decoder中：

还有一种做法是将c当做每一步的输入：

Decoder是Encoder的逆过程，每个状态由之前的状态和context vector决定，即：
$h_i^{{}^{\prime }}=f(c,h_1^{{}^{\prime }},h_2^{{}^{\prime }},...,h_{i-1}^{{}^{\prime }})$
$y_i=g(h_i^{{}^{\prime }})$

由于这种Encoder-Decoder结构不限制输入和输出的序列长度，因此应用的范围非常广泛，比如：

• 机器翻译。Encoder-Decoder的最经典应用，事实上这一结构就是在机器翻译 - 领域最先提出的
• 文本摘要。输入是一段文本序列，输出是这段文本序列的摘要序列。
• 阅读理解。将输入的文章和问题分别编码，再对其进行解码得到问题的答案。
• 语音识别。输入是语音信号序列，输出是文字序列。
• ……

上面提到：Encoder 和 Decoder 之间只有一个「向量 C」来传递信息，且 C 的长度固定。这样做有两个弊端：

• 一是语义向量无法完全表示整个序列的信息。
• 二是当句子长度较大时，容易丢失信息。

针对信息丢失这个问题，后面提出了 Seq2Seq+Attention 的模型。

2.2 基于 RNN 的Seq2Seq 模型

最初Seq2Seq的Encoder和Decoder都是基于RNN的，但是传统的基于 RNN 的 Seq2Seq 模型不能并行计算，效率低。针对这个问题，后来提出了基于CNN的Seq2Seq 模型。

2.3 基于 CNN 的 Seq2Seq 模型

FaceBook提出了由CNN构成的Seq2Seq模型，完全采用堆叠的CNN来构建encoder和decoder，通过CNN的堆叠方式来回溯sequence中long-range dependencies关系，在decoder端采用了多层的attention机制（提出CNN+Seq2Seq的时候就引入了Attention机制）。堆叠CNN之间采用加入残差的GLU单元来连接，加快计算的同时最大限度保留输入sequence的信息。下面的【3.2】节会介绍更多内容。

三、Attention 机制

Attention 机制的提出就是为了解决「序列过长，信息丢失」的问题。原理详见Attention机制详解。

3.1 基于 LSTM 的 Seq2Seq+Attention 模型

由于传统的基于RNN的Seq2Seq存在的序列过长，信息丢失的问题，后来提出了基于RNN的Seq2Seq+Attention模型，在decoder端，采用含一个隐含层的前向网络，采用自适应（adaptive）的方法来计算观测序列X中，每个word与输出标签Y的权重。

优点是可以自适应地计算一个权值矩阵W，权重矩阵W长度与X的的词数目一致，每个权重衡量输入序列X中每个词对输入序列Y的重要程度，不需要考虑输入序列X与输出序列Y中，词与词之间的距离关系。缺点还是和RNN一样，LSTM依赖t-1的历史信息来计算t时刻的信息，因此不能并行实现，计算效率比较低，特别是训练样本量非常大的时候。

3.2 基于 CNN 的 Seq2Seq+Attention 模型

基于 CNN 的 Seq2Seq 模型提出来的时候超越了谷歌创造的基于LSTM机器翻译的效果。重要原因在于采用了很多的窍门，这些技巧值得学习：

• 捕获long-distance依赖关系
  单层CNN的问题是难解决长依赖的序列, 解决办法是叠加多层的CNN。底层的CNN捕捉相聚较近的词之间的依赖关系，高层CNN捕捉较远词之间的依赖关系。通过层次化的结构，实现了类似RNN（LSTM）捕捉长度在20个词以上的Sequence的依赖关系的功能。

• 效率高
  假设一个sequence序列长度为n，采用RNN（LSTM）对其进行建模 需要进行n次操作，时间复杂度O（n）。相比，采用层叠CNN只需要进行n/k次操作，时间复杂度O（n/k）,k为卷积窗口大小。

• 并行化实现
  RNN对sequence的建模依赖于序列的历史信息，因此不能并行实现。相比，层叠CNN对整个sequence进行卷积，不依赖序列历史信息，可以并行实现，特别是在工业生产，面临处理大数据量和实时要求比较高的情况下，模型训练更快。

• 融合多层attention
  融合了Residual connection、liner mapping的多层attention。通过attention决定输入的哪些信息是重要的，并逐步往下传递。把encoder的输出和decoder的输出做点乘（dot products），再归一化，再乘以encoder的输入X之后做为权重化后的结果加入到decoder中预测目标语言序列。

• gate mechanism
  采用GLU做为gate mechanism。GLU单元激活方式如下公式所示：
  $f(X)=(X\ast W+b)+O(X\ast V+c)$

• 进行了梯度裁剪和精细的权重初始化，加速模型训练和收敛

在CNN和RNN用于NLP问题时，CNN也是可行的，且网络结构搭建更加灵活，效率高，由于RNN训练时往往需要前一时刻的状态，很难并行，特别是在大数据集上，CNN-Seq2Seq往往能取得比RNN-Seq2Seq更好的效果。

基于CNN的Seq2Seq模型除了具有基于RNN的Seq2Seq模型捕捉long distance dependency的能力，此外，最大的优点是速度快，效率高，可以并行化实现，效率比基于RNN的Seq2Seq模型高。缺点非常占内存，并且计算量与观测序列X和输出序列Y的长度成正比。参数太多，里面有很多的trick，大数据量上参数调整并不容易。

四、Transformer 模型

针对基于CNN和RNN的Seq2Seq模型存在的不足，《Attention is all you need》这篇论文提出了一种完全基于Attention Mechanism（Self Attention）的Transformer架构：抛弃CNN和RNN，基于Attention来构造Encoder和Decoder，搭建完全基于Attention的Seq2Seq模型。论文的详细阅读笔记：Transformer 模型详解。

---

参考：
【1】 完全图解RNN、RNN变体、Seq2Seq、Attention机制
【2】 一文看懂 NLP 里的模型框架 Encoder-Decoder 和 Seq2Seq
【3】 机器翻译不可不知的 Seq2Seq 模型
【4】模型汇总16 各类Seq2Seq模型对比及《Attention Is All You Need》中技术详解