Seq2Seq模型和Attention机制

Seq2Seq和注意力机制

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

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

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 ：

上图来自谷歌2014年的论文：Sequence to Sequence Learning with Neural Networks

（2）复杂结构

上图来自蒙特利尔大学2014年的论文：Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation

Seq2Seq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。
Google2015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。

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

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

本文参考了此博客。

从seq2seq到谷歌BERT，浅谈对Attention Mechanism的理解

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 与attention机制网易公开课

如何理解Seq2Seq？

完全图解RNN、RNN变体、Seq2Seq、Attention机制

Seq2Seq学习笔记

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

NLP之Seq2Seq

翻译系统/聊天机器人Seq2Seq模型+attention

真正的完全图解Seq2Seq Attention模型

从seq2seq到谷歌BERT，浅谈对Attention Mechanism的理解

Previousword2vec实践 NextSelf-Attention和Transformer

Last updated 4 years ago