机器翻译是序列转换模型的一个核心问题, 其输入和输出都是长度可变的序列。 为了处理这种类型的输入和输出, 可以设计一个包含两个主要组件的架构: 第一个组件是一个编码器(encoder): 它接受一个长度可变的序列作为输入, 并将其转换为具有固定形状的编码状态。 第二个组件是解码器(decoder): 它将固定形状的编码状态映射到长度可变的序列。 这被称为编码器-解码器(encoder-decoder)架构,如下图所示。
以英语到法语的机器翻译为例: 给定一个英文的输入序列:“They”、“are”、“watching”、“.”。 首先,这种“编码器-解码器”架构将长度可变的输入序列编码成一个“状态”, 然后对该状态进行解码, 一个词元接着一个词元地生成翻译后的序列作为输出: “Ils”、“regordent”、“.”,下面实现编码器和解码器的接口。
在编码器接口中,指定长度可变的序列作为编码器的输入X。 任何继承这个Encoder 基类的模型将完成代码实现。
from torch import nn
"""编码器-解码器架构的基本编码器接口"""
class Encoder(nn.Module):
def __init__(self):
super(Encoder,self).__init__()
def forward(self,X,*args):
raise NotImplementedError
在解码器接口中,新增一个init_state()函数, 用于将编码器的输出(enc_outputs)转换为编码后的状态。 注意,此步骤可能需要额外的输入,例如:输入序列的有效长度。 为了逐个地生成长度可变的词元序列, 解码器在每个时间步都会将输入 (例如:在前一时间步生成的词元或者使用label序列词元)和编码后的状态输入到网络中,从而得到当前时间步的输出词元。
"""编码器-解码器架构的基本解码器接口"""
class Decoder(nn.Module):
def __init__(self):
super(Decoder,self).__init__()
def init_state(self,enc_outputs,*args):
raise NotImplementedError
def forward(self,X,state):
raise NotImplementedError
“编码器-解码器”架构包含了一个编码器和一个解码器, 并且还拥有可选的额外的参数。 在前向传播中,编码器的输出用于生成编码状态, 这个状态又被解码器作为其输入的一部分。
"""编码器-解码器架构的基类"""
class EncoderDecoder(nn.Module):
def __init__(self,encoder,decoder):
super(EncoderDecoder,self).__init__()
self.encoder = encoder
self.decoder = decoder
def forward(self,enc_X,dec_X,*args):
enc_outputs = self.encoder(enc_X,*args)
dec_state = self.decoder.init_state(enc_outputs,*args)
return self.decoder(dec_X,dec_state)
from torch import nn
"""编码器-解码器架构的基本编码器接口"""
class Encoder(nn.Module):
def __init__(self):
super(Encoder, self).__init__()
def forward(self, X, *args):
raise NotImplementedError
"""编码器-解码器架构的基本解码器接口"""
class Decoder(nn.Module):
def __init__(self):
super(Decoder, self).__init__()
def init_state(self, enc_outputs, *args):
raise NotImplementedError
def forward(self, X, state):
raise NotImplementedError
"""编码器-解码器架构的基类"""
class EncoderDecoder(nn.Module):
def __init__(self, encoder, decoder):
super(EncoderDecoder, self).__init__()
self.encoder = encoder
self.decoder = decoder
def forward(self, enc_X, dec_X, *args):
enc_outputs = self.encoder(enc_X, *args)
dec_state = self.decoder.init_state(enc_outputs, *args)
return self.decoder(dec_X, dec_state)
机器翻译第一篇:李沐动手学深度学习V2-机器翻译和数据集
机器翻译第二篇:李沐动手学深度学习V2-Encoder-Decoder编码器和解码器架构
机器翻译第三篇:李沐动手学深度学习V2-seq2seq和代码实现
机器翻译第四篇:李沐动手学深度学习V2-基于注意力机制的seq2seq