从seq2seq到Attention机制

本篇文章完全照搬了NLP与人工智能这里的文章，因为作者讲的太好了，感觉没啥可改动和补充的，就直接移了过来

首先，seq2seq是循环神经网络（RNN）的变种，包括编码器（Encoder）和解码器（Decoder）两部分，是nlp的重要模型，广泛用于机器翻译、对话系统、自动文摘等。

在将seq2seq之前，我们先介绍一下常用的RNN结构。

1. RNN 结构及使用

RNN 基本的模型如上图所示，每个神经元接受的输入包括：前一个神经元的隐藏层状态 h (用于记忆) 和当前的输入 x (当前信息)。神经元得到输入之后，会计算出新的隐藏状态 h 和输出 y，然后再传递到下一个神经元。因为隐藏状态 h 的存在，使得 RNN 具有一定的记忆功能。

针对不同任务，通常要对 RNN 模型结构进行少量的调整，根据输入和输出的数量，分为三种比较常见的结构：N vs N、1 vs N、N vs 1。

1.1 N vs N

N vs N结构
上图是RNN 模型的一种 N vs N 结构，包含 N 个输入 x1, x2, ..., xN，和 N 个输出 y1, y2, ..., yN。N vs N 的结构中，输入和输出序列的长度是相等的，通常适合用于以下任务：

• 词性标注
• 命名实体识别
• 训练语言模型，使用之前的词预测下一个词等

1.2  1 vs N

1 vs N 结构(1)
1 vs N 结构(2)

在 1 vs N 结构中，我们只有一个输入 x，和 N 个输出 y1, y2, ..., yN。可以有两种方式使用 1 vs N，第一种只将输入 x 传入第一个 RNN 神经元，第二种是将输入 x 传入所有的 RNN 神经元。1 vs N 结构适合用于以下任务：

• 图像生成文字，输入 x 就是一张图片，输出就是一段图片的描述文字。
• 根据音乐类别，生成对应的音乐。
• 根据小说类别，生成相应的小说。

1.3  N vs 1

N vs 1 结构

在 N vs 1 结构中，我们有 N 个输入 x1, x2, ..., xN，和一个输出 y。N vs 1 结构适合用于以下任务：

• 序列分类任务，一段语音、一段文字的类别，句子的情感分析。

2. Seq2Seq 模型

2.1  Seq2Seq2结构

上面的三种结构对于 RNN 的输入和输出个数都有一定的限制，但实际中很多任务的序列的长度是不固定的，例如机器翻译中，源语言、目标语言的句子长度不一样；对话系统中，问句和答案的句子长度不一样。

Seq2Seq 是一种重要的 RNN 模型，也称为 Encoder-Decoder 模型，可以理解为一种 N×M 的模型。模型包含两个部分：Encoder 用于编码序列的信息，将任意长度的序列信息编码到一个向量 c 里。而 Decoder 是解码器，解码器得到上下文信息向量 c 之后可以将信息解码，并输出为序列。Seq2Seq 模型结构有很多种，下面是几种比较常见的：

第一种
第二种
第三种

2.2  编码器Encoder

这三种 Seq2Seq 模型的主要区别在于 Decoder，他们的 Encoder 都是一样的。下图是 Encoder 部分，Encoder 的 RNN 接受输入 x，最终输出一个编码所有信息的上下文向量 c，中间的神经元没有输出。Decoder 主要传入的是上下文向量 c，然后解码出需要的信息。

Seq2Seq Encoder

从上图可以看到，Encoder 与一般的 RNN 区别不大，只是中间神经元没有输出。其中的上下文向量 c 可以采用多种方式进行计算。

从公式可以看到，c 可以直接使用最后一个神经元的隐藏状态 hN 表示；也可以在最后一个神经元的隐藏状态上进行某种变换 hN 而得到，q 函数表示某种变换；也可以使用所有神经元的隐藏状态 h1, h2, ..., hN 计算得到。得到上下文向量 c 之后，需要传递到 Decoder。

2.2  解码器Decoder

Decoder 有多种不同的结构，这里主要介绍三种。

第一种Decoder
第一种 Decoder 结构比较简单，将上下文向量 c 当成是 RNN 的初始隐藏状态，输入到 RNN 中，后续只接受上一个神经元的隐藏层状态 h' 而不接收其他的输入 x。第一种 Decoder 结构的隐藏层及输出的计算公式：
第一种 Decoder 结构隐藏层及输出层
第二种
第二种 Decoder 结构
第二种 Decoder 结构有了自己的初始隐藏层状态 h'0，不再把上下文向量 c 当成是 RNN 的初始隐藏状态，而是当成 RNN 每一个神经元的输入。可以看到在 Decoder 的每一个神经元都拥有相同的输入 c，这种 Decoder 的隐藏层及输出计算公式：
第二种 Decoder 结构隐藏层及输出层
第三种
第三种 Decoder 结构
第三种 Decoder 结构和第二种类似，但是在输入的部分多了上一个神经元的输出 y'。即每一个神经元的输入包括：上一个神经元的隐藏层向量 h'，上一个神经元的输出 y'，当前的输入 c (Encoder 编码的上下文向量)。对于第一个神经元的输入 y'0，通常是句子其实标志位的 embedding 向量。第三种 Decoder 的隐藏层及输出计算公式：
第三种 Decoder 结构隐藏层及输出层

3. Seq2Seq 技巧

3.1  Teacher Forcing

Teacher Forcing 用于训练阶段，主要针对上面第三种 Decoder 模型来说的，第三种 Decoder 模型神经元的输入包括了上一个神经元的输出 y'。如果上一个神经元的输出是错误的，则下一个神经元的输出也很容易错误，导致错误会一直传递下去。

而 Teacher Forcing 可以在一定程度上缓解上面的问题，在训练 Seq2Seq 模型时，Decoder 的每一个神经元并非一定使用上一个神经元的输出，而是有一定的比例采用正确的序列作为输入。

举例说明，在翻译任务中，给定英文句子翻译为中文。"I have a cat" 翻译成 "我有一只猫"，下图是不使用 Teacher Forcing 的 Seq2Seq：

不使用 Teacher Forcing
如果使用 Teacher Forcing，则神经元直接使用正确的输出作为当前神经元的输入。
使用 Teacher Forcing

3.2  Attention

在 Seq2Seq 模型，Encoder 总是将源句子的所有信息编码到一个固定长度的上下文向量 c 中，然后在 Decoder 解码的过程中向量 c 都是不变的。这存在着不少缺陷：

• 对于比较长的句子，很难用一个定长的向量 c 完全表示其意义。
• RNN 存在长序列梯度消失的问题，只使用最后一个神经元得到的向量 c 效果不理想。
• 与人类的注意力方式不同，即人类在阅读文章的时候，会把注意力放在当前的句子上。

Attention 即注意力机制，是一种将模型的注意力放在当前翻译单词上的一种机制。例如翻译 "I have a cat"，翻译到 "我" 时，要将注意力放在源句子的 "I" 上，翻译到 "猫" 时要将注意力放在源句子的 "cat" 上。

使用了 Attention 后，Decoder 的输入就不是固定的上下文向量 c 了，而是会根据当前翻译的信息，计算当前的 c。

Attention

Attention 需要保留 Encoder 每一个神经元的隐藏层向量 h，然后 Decoder 的第 t 个神经元要根据上一个神经元的隐藏层向量 h't-1 计算出当前状态与 Encoder 每一个神经元的相关性 et。et 是一个 N 维的向量 (Encoder 神经元个数为 N)，若 et 的第 i 维越大，则说明当前节点与 Encoder 第 i 个神经元的相关性越大。et 的计算方法有很多种，即相关性系数的计算函数 a 有很多种，这里列了三种：

上面得到相关性向量 et 后，需要进行归一化，使用 softmax 归一化。然后用归一化后的系数融合 Encoder 的多个隐藏层向量得到 Decoder 当前神经元的上下文向量 ct：

使用 Attention 计算上下文向量 c

Attention机制的作用

Attention的出现就是为了两个目的：

• 减小处理高维输入数据的计算负担，通过结构化的选取输入的子集，降低数据维度。
• “去伪存真”，让任务处理系统更专注于找到输入数据中显著的与当前输出相关的有用信息，从而提高输出的质量。通过context向量，解码器可以在解码的每一步查询最相关的原文信息，从而避免Seq2Seq模型中信息瓶颈问题。

3.3  beam search

beam search 方法不用于训练的过程，而是用在测试的。在每一个神经元中，我们都选取当前输出概率值最大的** top k **个输出传递到下一个神经元。下一个神经元分别用这 k 个输出，计算出 L 个单词的概率 (L 为词汇表大小)，然后在 kL 个结果中得到 top k 个最大的输出，重复这一步骤。

4. Seq2Seq 总结

Seq2Seq 模型允许我们使用长度不同的输入和输出序列，适用范围相当广，可用于机器翻译，对话系统，阅读理解等场景。

Seq2Seq 模型使用时可以利用 Teacher Forceing，Attention，beam search 等方法优化。

其他：需要注意的是，RNN中的参数U V W在所有时间步中是共享的。因此每个输出的梯度不仅取决于当前时间步长的计算，而且还取决于以前的时间步长
关于梯度消失和梯度爆炸：
RNN梯度消失是因为激活函数tanh函数的倒数在0到1之间，反向传播时更新前面时刻的参数时，当参数W初始化为小于1的数，则多个(tanh函数’ * W)相乘，将导致求得的偏导极小（小于1的数连乘），从而导致梯度消失。
当参数初始化为足够大，使得tanh函数的倒数乘以W大于1，则将导致偏导极大（大于1的数连乘），从而导致梯度爆炸。
解决方法：①合适地初始化W，即采用正则化、归一化 ②将tanh或sigmoid替换为ReLU ③使用LSTM或者GRU