详解从 Seq2Seq模型、RNN结构、Encoder-Decoder模型 到 Attention模型

欢迎点击参观我的 ——> 个人学习网站

注：本文的所有模型只涉及自然语言处理领域，同时本文不涉及太多复杂公式推导。

一、Seq2Seq 模型

1. 简介

Sequence-to-sequence (seq2seq) 模型，顾名思义，其输入是一个序列，输出也是一个序列，例如输入是英文句子，输出则是翻译的中文。seq2seq 可以用在很多方面：机器翻译、QA 系统、文档摘要生成、Image Captioning (图片描述生成器)。

2. 基本框架

第一种结构

[参考1]论文中提出的 seq2seq 模型可简单理解为由三部分组成：Encoder、Decoder 和连接两者的 State Vector (中间状态向量) C 。

上图中 Encoder 和 Decoder 可以是一个 RNN ，但通常是其变种 LSTM 或者 GRU 。Encoder 和 Decoder 具体介绍请见第三部分。

第二种结构

该结构是最简单的结构，和第一种结构相似，只是 Decoder 的第一个时刻只用到了 Encoder 最后输出的中间状态变量 ：

应用：

• 在英文翻译中，将英文输入到 Encoder 中，Decoder 输出中文。

  参考1：-原创翻译- 基于RNNEncoder–Decoder的机器翻译L(earning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation)

• 在图像标注中，将图像特征输入到 Encoder 中，Decoder 输出一段文字对图像的描述。

  参考2：-原创翻译- 图像标注生成器 (Show and Tell: A Neural Image Caption Generator)

• 在 QA 系统中，将提出的问题输入 Encoder 中，Decoder 输出对于问题的回答。

……

注：确保你对所有模型都有所了解后再阅读应用后面的参考链接。

二、RNN 结构

1. 为什么在这里提及 RNN 及 RNN 变种？

接下来要介绍的 Encoder-Decoder 模型中，Encoder 和 Decoder 两部分的输入输出可以是文字、图像、语音等等，所以 Encoder 和 Decoder 一般采用 CNN 、RNN 、LSTM 、GRU 等等。这里，我们只介绍经典 RNN 的结构。

如果对 LSTM 感兴趣的话，请参考 -原创翻译- 详解 LSTM（Understanding LSTM Networks）

2. 图解 RNN 结构

RNN 大都用来处理像一串句子、一段语音这种的序列化数据。展开的 RNN 结构图如下：

由图可见，其当前时间 t 的输出依赖两部分：前一时刻的隐层 ht−1 h t − 1 和当前的输入 xt x t 。

下面主要介绍经典的三种 RNN 结构：

(1) n VS 1

注：圆圈代表给定的输入，箭头代表运算，矩形代表隐层，也就是箭头运算后的结果。其中参数 W、U、V W 、 U 、 V 都是一样的。在自然语言处理问题。 x1 x 1 可以看做是第一个单词， x2 x 2 可以看做是第二个单词…

这种结构可应用于情感分析、文本分类等等。

(2) 1 VS n

下图是把输入当作每个时刻的输入：

这种结构可应用于应用于 Image Caption ，输入是图像的特征矩阵，输出是一段对图像的描述。

(3) n VS n

这种结构可应用于机器翻译等。如果感兴趣，可以参考下面的 文章。作者使用 RNN 实现了根据一个字母推测下一个字母的概率。

参考3：-原创翻译- RNNs的“神奇功效”(The Unreasonable Effectiveness of Recurrent Neural Networks)

(4) n VS m

在机器翻译中，源语言和目标语言的句子序列都是不等长的，而原始的 n VS n 结构都是要求序列等长的。为此，我们有了 n VS m 结构，这种结构又被称为 Encoder-Decoder模型 。具体请见下一部分。

三、Encoder-Decoder 模型

1. 简介

在第二节的第四部分，我们提出了 RNN 的 n VS m 结构：Encoder-Decoder 模型，Encoder-Decoder 模型是深度学习中常见的一种模型。在本文中，我们只简单介绍其在文本-文本的应用，比如将英语翻译成汉语，所以该模型也可以称为 Seq2Seq 模型 。下图为 Encoder-Decoder 模型的抽象图：

2. 分析

1) Encoder

给定句子对

2) Decoder

得到中间语义向量 C 后，使用 Decoder 进行解码。Decoder根据中间状态向量 C 和已经生成的历史信息 y1，y2…yi-1 去生成 t 时刻的单词 yi ：

yi=g(C,y1,y2,yi−1) y i = g ( C , y 1 , y 2 , y i − 1 )

如果直接将 c 输入到 Decoder 中，则是 Seq2Seq 模型的第二种模型：

如果将 c 当作 Decoder 的每一时刻输入，则是 Seq2Seq 模型的第一种模型：

• 中英翻译中，

四、Attention 模型

1. Encoder-Decoder 模型的局限性

(1) 从第三节的第一部分的 Encoder-Decoder 模型的抽象图中可以看出 Encoder 和 Decoder 的唯一联系只有语义编码 Ｃ ，即将整个输入序列的信息编码成一个固定大小的状态向量再解码，相当于将信息”有损压缩”。很明显这样做有两个缺点：

• 中间语义向量无法完全表达整个输入序列的信息。
• 随着输入信息长度的增加，由于向量长度固定，先前编码好的信息会被后来的信息覆盖，丢失很多信息。

(2)大家看第三节的第二部分的第二个 Decoder 过程，其输出的产生如下：

y1=g(C,h′0) y 1 = g ( C , h 0 ′ )

y2=g(C,y1) y 2 = g ( C , y 1 )

y3=g(C,y1,y2) y 3 = g ( C , y 1 , y 2 )

明显可以发现在生成 y1、y2、y3 y 1 、 y 2 、 y 3 时，语义编码 Ｃ 对它们所产生的贡献都是一样的。例如翻译：Cat chase mouse ，Encoder-Decoder 模型逐字生成：“猫”、“捉”、“老鼠”。在翻译 mouse 单词时，每一个英语单词对“老鼠”的贡献都是相同的。如果引入了Ａttention 模型，那么 mouse 对于它的影响应该是最大的。

2. 图解 Attention

为了解决上面两个问题，于是引入了 Ａttention 模型。Ａttention 模型的特点是 Decoder 不再将整个输入序列编码为固定长度的中间语义向量 Ｃ ，而是根据当前生成的新单词计算新的 Ci C i ，使得每个时刻输入不同的 Ｃ ，这样就解决了单词信息丢失的问题。引入了 Ａttention 的 Encoder-Decoder 模型如下图：

对于刚才提到的那个“猫捉老鼠”的翻译过程变成了如下：

y1=g(C1,h′0) y 1 = g ( C 1 , h 0 ′ )

y2=g(C2,y1) y 2 = g ( C 2 , y 1 )

y3=g(C3,y1,y2) y 3 = g ( C 3 , y 1 , y 2 )

整个翻译流程如下：

图中输入是 Cat chase mouse ，Encoder 中隐层 h1、h2、h3 可看作经过计算 Cat、chase、mouse 这些词的信息。

使用 aij a i j 表示 Encoder 中第 j 阶段的 hj h j 和解码时第 i 阶段的相关性，计算出解码需要的中间语义向量 Ci C i 。 C1 C 1 和 “猫” 关系最近，相对应的 a11 a 11 要比 a12、a13 a 12 、 a 13 大；而 C2 C 2 和 “捉” 关系最近，相对应的 a22 a 22 要比 a21、a23 a 21 、 a 23 大；同理 C3 C 3 和 “老鼠” 关系最近，相对应的 a33 a 33 要比 a31、a32 a 31 、 a 32 大。

那么参数 aij a i j 是如何得到呢？

Encoder 中第 j 个隐层单元 hj h j 和 Decoder 第 i-1 个隐层单元 h′i−1 h i − 1 ′ 经过运算得到 aij a i j 。

例如 a1j a 1 j 的计算过程：

a2j a 2 j 的计算过程：

参考 ：引入Ａttention 并基于 RNN 的 Encoder-Decoder 模型公式推导