Seq2Seq模型和Attention机制

转载自：Seq2Seq模型和Attention机制，如侵联删

pdf: NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE

1 RNN的多种结构

首先从RNN的结构说起，根据输出和输入序列不同数量RNN可以有多种不同的结构，不同结构自然就有不同的引用场合。如下图

• one to one结构，仅仅只是简单的给一个输入得到一个输出，此处并未体现序列的特征，例如图像分类场景。
• one to many结构，给一个输入得到一系列输出，这种结构可用于生产图片描述的场景。
• many to one结构，给一系列输入得到一个输出，这种结构可用于文本情感分析，对一些列的文本输入进行分类，看是消极还是积极情感。
• many to many结构，给一些列输入得到一系列输出，这种结构可用于翻译或聊天对话场景，对输入的文本转换成另外一些列文本。
• 同步many to many结构，它是经典的RNN结构，前一输入的状态会带到下一个状态中，而且每个输入都会对应一个输出，我们最熟悉的就是用于字符预测了，同样也可以用于视频分类，对视频的帧打标签。

2 Seq2Seq模型

Seq2Seq是2014年Google提出的一个模型Sequence to Sequence Learning with Neural Networks。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。
在上图many to many的两种模型中，可以看到第四和第五种是有差异的，经典的RNN结构的输入和输出序列必须要是等长，它的应用场景也比较有限。而第四种它可以是输入和输出序列不等长，这种模型便是Seq2Seq模型，即Sequence to Sequence。
Seq2Seq实现了从一个序列到另外一个序列的转换，比如google曾用Seq2Seq模型加attention模型来实现了翻译功能，类似的还可以实现聊天机器人对话模型。经典的RNN模型固定了输入序列和输出序列的大小，而Seq2Seq模型则突破了该限制。
这种结构最重要的地方在于输入序列和输出序列的长度是可变的。
举个栗子

在机器翻译：输入（hello） -> 输出 （你好）。输入是1个英文单词，输出为2个汉字。 在对话机器中：我们提（输入）一个问题，机器会自动生成（输出）回答。这里的输入和输出显然是长度没有确定的序列（sequences）

要知道，在以往的很多模型中，我们一般都说输入特征矩阵，每个样本对应矩阵中的某一行。就是说，无论是第一个样本还是最后一个样本，他们都有一样的特征维度。但是对于翻译这种例子，难道我们要让每一句话都有一样的字数吗，那样的话估计五言律诗和七言绝句又能大火一把了，哈哈。但是这不科学呀，所以就有了Seq2Seq这种结构。

Seq2Seq模型的应用有：

• 在英文翻译中，将英文输入到Encoder中，Decoder输出中文。蒙特利尔大学2014年的论文：Learning 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。Google 2015年的论文：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

3 Encoder-Decoder结构

3.1 Encoder-Decoder介绍

所谓的Sequence2Sequence任务主要是泛指一些Sequence到Sequence的映射问题，Sequence在这里可以理解为一个字符串序列，当我们在给定一个字符串序列后，希望得到与之对应的另一个字符串序列（如 翻译后的、如语义上对应的）时，这个任务就可以称为Sequence2Sequence了。

在现在的深度学习领域当中，通常的做法是将输入的源Sequence编码到一个中间的context当中，这个context是一个特定长度的编码（可以理解为一个向量），然后再通过这个context还原成一个输出的目标Sequence。

如果用人的思维来看，就是我们先看到源Sequence，将其读一遍，然后在我们大脑当中就记住了这个源Sequence，并且存在大脑的某一个位置上，形成我们自己的记忆（对应Context），然后我们再经过思考，将这个大脑里的东西转变成输出，然后写下来。

那么我们大脑读入的过程叫做Encoder，即将输入的东西变成我们自己的记忆，放在大脑当中，而这个记忆可以叫做Context，然后我们再根据这个Context，转化成答案写下来，这个写的过程叫做Decoder。其实就是编码-存储-解码的过程。

而对应的，大脑怎么读入（Encoder怎么工作）有一个特定的方式，怎么记忆（Context）有一种特定的形式，怎么转变成答案（Decoder怎么工作）又有一种特定的工作方式。

好了，现在我们大体了解了一个工作的流程Encoder-Decoder后，我们来介绍一个深度学习当中，最经典的Encoder-Decoder实现方式，即用RNN来实现。

在RNN Encoder-Decoder的工作当中，我们用一个RNN去模拟大脑的读入动作，用一个特定长度的特征向量去模拟我们的记忆，然后再用另外一个RNN去模拟大脑思考得到答案的动作，将三者组织起来利用就成了一个可以实现Sequence2Sequence工作的“模拟大脑”了。 而我们剩下的工作也就是如何正确的利用RNN去实现，以及如何正确且合理的组织这三个部分了。

获取语义向量C最简单的方式就是直接将最后一个输入的隐状态作为语义向量C。也可以对最后一个隐含状态做一个变换得到语义向量，还可以将输入序列的所有隐含状态做一个变换得到语义变量。

3.2 Encoder-Decoder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y_{1},y_{2},...,y_{i-1}去生成t时刻的单词y_{i}：

如果直接将C输入到Decoder中，则是Seq2Seq模型的第一种模型：

如果将C当作Decoder的每一时刻输入，则是Seq2Seq模型的第二种模型：

4 Attention机制

4.1 Encoder-Decoder结构的局限性

（1）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）不同位置的单词的贡献都是一样的

Decoder过程，其输出的产生如下：

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。

4.2 Attention机制原理

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：

整个翻译流程如下：

图中输入是Cat chase mouse，Encoder中隐层h_{1}、h_{2}、h_{3}可看做经过计算的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，相对比的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}是如何得到的呢？
Encoder中第j个隐层单元h_{j}和Decoder第i-1个隐层单元h_{i-1}^{\prime}经过运算得到a_{ij}。
例如a_{1j}的计算过程：

例如a_{2j}的计算过程：

那具体是怎么运算得到的呢？我们来把上面的过程用公式严谨的表达出来。我们按照原论文的标点符号来进行推导。

语义向量C_{i}由Encoder的隐向量h_{i}加权求和表示：

每个隐向量h_{j}对应的权重\alpha_{ij}可由下式计算得到

其中，

上式中的s_{i-1}就是上图中的h_{i-1}^{\prime}。

这个\alpha具体怎么算，有不同的方法，论文里是用了神经网络去算

还可以用二次型矩阵来计算：

通过训练，注意力机制可以对关系较大的输入输出的赋以较大权重（两者在转换中对齐的概率更大），对位置信息进行了建模，而因此减少了信息损失，能专注于更重要的信息进行序列预测。

我们可以看到，attention的效果如下图所示，确实是不同单词的注意力是不一样的。

这是Attention Mechanism第一次找到很合适的用武之地。在BERT中，还会用到Attention Mechanism。

参考

• 详解从 Seq2Seq模型、RNN结构、Encoder-Decoder模型 到 Attention模型
• 从seq2seq到谷歌BERT，浅谈对Attention Mechanism的理解
• 完全图解RNN、RNN变体、Seq2Seq、Attention机制
• seq2seq学习笔记
• NLP之Seq2Seq
• 从seq2seq到谷歌BERT，浅谈对Attention Mechanism的理解