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

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 。

RNN encoder-decoder

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 ：

RNN encoder-decoder

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：

roolled RNN

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 $h_{t-1}$ 和当前的输入 $x_{t}$ 。

下面主要介绍经典的三种 RNN 结构：

(1) n VS 1

nvs1

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 $W、U、V$ 都是一样的。在自然语言处理问题。 $x_{1}$ 可以看做是第一个单词， $x_{2}$ 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

1vsn1

下图是把输入当作每个时刻的输入：

1vsn2

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

nvsn

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：

Encoder-Decoder框架

2. 分析

1) Encoder

给定句子对 <X,Y> ，我们的目标是给定输入句子 X ，通过Encoder-Decoder 模型来翻译成目标句子 Y 。而 X和 Y 分别由各自的单词序列构成：

x && y

首先，Encoder 对输入语句 X 进行编码，经过函数变换为中间语义向量 C (可以通过多种方式得到) ：

e&d1

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 ：

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

e&d stru1

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：

e&d stru2

中英翻译中， <X,Y> 是不同语言的句子，X 是英文句子，Y 是中文句子。
QA 系统中，X 是问题，Y 是回答。
……

Encoder-Decoder 模型是使用非常广泛的深度学习模型框架，与其说 Encoder-Decoder 是一种模型，不如称其为一种通用框架。因为 Encoder 和 Decoder 具体使用什么模型是根据任务而定义的。在自然语言处理研究中通常使用 LSTM 或者是 GRU 。

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：

$y_{1}=g(C, h’_{0})$

$y_{2}=g(C, y_{1})$

$y_{3}=g(C, y_{1}, y_{2})$

明显可以发现在生成 $y_{1}、y_{2}、y_{3}$ 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 $C_{i}$ ，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：

$y_{1}=g(C_{1}, h’_{0})$

$y_{2}=g(C_{2}, y_{1})$

$y_{3}=g(C_{3}, y_{1}, y_{2})$

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 $a_{ij}$ 表示 Encoder 中第 j 阶段的 $h_{j}$ 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 $C_{i}$ 。 $C_{1}$ 和 “猫” 关系最近，相对应的 $a_{11}$ 要比 $a_{12}$ 、 $a_{13}$ 大；而 $C_{2}$ 和 “捉” 关系最近，相对应的 $a_{22}$ 要比 $a_{21}$ 、 $a_{23}$ 大；同理 $C_{3}$ 和 “老鼠” 关系最近，相对应的 $a_{33}$ 要比 $a_{31}$ 、 $a_{32}$ 大。

那么参数 $a_{ij}$ 是如何得到呢？

Encoder 中第 j 个隐层单元 $h_{j}$ 和 Decoder 第 i-1 个隐层单元 $h’*{i-1}$ 经过运算得到 $a*{ij}$ 。

例如 $a_{1j}$ 的计算过程：

a1j

$a_{2j}$ 的计算过程：

a2j

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

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 160,026评论 4赞 364
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 67,655评论 1赞 296
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 109,726评论 0赞 244
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 44,204评论 0赞 213
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 52,558评论 3赞 287
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 40,731评论 1赞 222
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 31,944评论 2赞 314
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 30,698评论 0赞 203
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 34,438评论 1赞 246
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 30,633评论 2赞 247
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 32,125评论 1赞 260
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 28,444评论 3赞 255
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 33,137评论 3赞 238
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 26,103评论 0赞 8
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 26,888评论 0赞 197
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 35,772评论 2赞 276
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 35,669评论 2赞 271

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

一、Seq2Seq 模型

1. 简介

2. 基本框架

第一种结构

第二种结构

二、RNN 结构

1. 为什么在这里提及 RNN 及 RNN 变种？

2. 图解 RNN 结构

(1) n VS 1

(2) 1 VS n

(3) n VS n

(4) n VS m

三、Encoder-Decoder 模型

1. 简介

2. 分析

1) Encoder

2) Decoder

四、Attention 模型

1. Encoder-Decoder 模型的局限性

2. 图解 Attention

推荐阅读更多精彩内容

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