Seq2Seq模型和Attention机制

Previousword2vec实践 NextSelf-Attention和Transformer

Last updated 5 years ago

Was this helpful?

Seq2Seq模型和Attention机制

Seq2Seq和注意力机制

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。

Seq2Seq模型

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模型有两种常见结构。

（1）简单结构

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

（2）复杂结构

Seq2Seq的应用有：

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

Encoder-Decoder结构

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。

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 $y_i$ ：

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：

Attention机制

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：

\begin{aligned} &y_1=g(C,h^{'}_0)\\ &y_2=g(C,y_1)\\ &y_3=g(C,y_1,y_2) \end{aligned}

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。

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：

\begin{aligned} &y_1=g(C_1,h^{'}_0)\\ &y_2=g(C_2,y_1)\\ &y_3=g(C_3,y_1,y_2) \end{aligned}

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：

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：

c_i=\sum^{T_x}_{j=1}\alpha_{ij}h_j

每个隐向量 $h_j$ 对应的权重 $\alpha_{ij}$ 可由下式计算得到：

\alpha_{ij}=\frac{\text{exp}(e_{ij})}{\sum^{T_x}_{k=1}\text{exp}(e_{ik})}

其中，

e_{ij}=\alpha(s_{i-1},h_j)

上式中的 $s_{i-1}$ 就是上图中的 $h^{'}_{i-1}$ 。

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，

e_{ij}=\alpha(s_{i-1},h_j)=v^T\text{tanh}(Ws_{i-1}+Vh_j)

还可以用二次型矩阵来计算：

e_{ij}=\alpha(s_{i-1},h_j)=s_{i-1}W_{i-1,j}h_j

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。

参考资料

本文参考了此博客。

对注意力机制的解释参考了此博客。

这两个还没看，但是这是张俊林写的需要好好看看。所以就列在这了。

===

Seq2Seq 模型分析

首先介绍几篇比较重要的 Seq2Seq 相关的论文： [1] Cho et al., 2014 . Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation [2] Sutskever et al., 2014. Sequence to Sequence Learning with Neural Networks [3] Bahdanau et al., 2014. Neural Machine Translation by Jointly Learning to Align and Translate [4] Jean et. al., 2014. On Using Very Large Target Vocabulary for Neural Machine Translation [5] Vinyals et. al., 2015. A Neural Conversational Model[J]. Computer Science