Seq2Seq Attention模型详解

Seq2seq，顾名思义，一个序列到另一个序列的转换。它是一种Encoder-Decoder协同训练的端到端网络。传统Seq2seq的Encoder以RNN为基础单元，把输入序列整合为一个content向量；Decoder同样以RNN为基础单元，把content向量拆解为输出序列。显然，content向量决定了Decoder可知的信息量，进而决定了输出序列的质量。由于RNN的时序串行结构，Encoder更关注位于输入序列末尾的元素，使得content向量“遗忘”了位于输入序列前端的元素。反之，如果把RNN的所有隐层输出一同送入Decoder，又显得过于臃肿(计算量大)。如今我们常把Seq2seq和Attention联系在一起，也正是因为Attention帮助Seq2seq解决了上述问题。本文将对此进行讲解。

一、从传统Seq2Seq说起

Seq2seq机器翻译开篇之作 Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation[1] 发表前，机器翻译研究以统计方法为主。这篇文章仿照人在翻译时的思维方式"通读原句子(encode)，大脑加工整合(content), 复述新句子(decode)"，提出了一种Encoder-Decoder结构，如下图所示。简单来讲，先把任意长度的文本序列编码(encode)为固定长度的向量表示(context)，再把固定长度的向量表示解码(decode)回任意长度的文本序列。

Seq2seq结构灵活。我们看到上图中3个content向量（C1==C2==C3）被用作Decoder各个时刻的输入，这里可以稍作改动，如下图，content向量只作为Decoder第一时刻的输入，再随Decoder的RNN依次向后传递。另一个改动的是，content向量取自Encoder各个时刻隐藏单元的拼接(或加和)，或者像下图中（参考文献[1]和[2]），只取用Encoder最后一个时刻的隐藏单元。

依照Seq2seq展开图（上图），Decoder各个时刻的输入是：

• 初始时刻：<EOS>标记的词向量，以及content向量；
• 其他时刻：Decoder前一时刻的输出单词的词向量，以及Decoder前一时刻的隐层状态。

注：<EOS>标记被用作通知解码器开始生成文本的信号。也是结束生成文本的信号。
注：反向传播时，Decoder的梯度通过content向量传递给Encoder。
注：反转输入数据的顺序[2]是一种Seq2Seq优化方法，效果提升因具体任务而异，优点是梯度的传播更平滑，学习效率更高。例如“我是猫”和“I am a cat”，单词“我”和“I”有转换关系，反向传播时，梯度需从“I”经过“猫、是”才到达“我”；而反转句子后，“我”和“I”相邻，梯度可以直接传递。

二、在Seq2Seq中引入Attention

Decoder可获得的全部信息存储在这一个小小的content向量中，那么如何增加content向量的信息量呢？

Attention可以在每个时间步关注到Encoder的不同部分，以收集产生Decoder输出词所需的语义细节。Attention权重模拟了人脑注意力的分配机制，为更重要的部分分配较多的注意力。

具体的计算过程是，Seq2seq每解码一个字，就用前一个时刻的Decoder隐层状态，和Encoder所有隐层状态做soft Attention，计算公式如下，得到当前输出和所有输入元素的关联程度，即权重。进而采用加权平均的方式，计算出对当前输出更友好的context向量表示。

这里涉及到三个重要的细节（结合下图进行理解）：

• 加入Attention后，content向量在任意时刻是变化的。那么如何计算第 i 时刻content向量？

  1. 先计算Decoder的RNN隐层状态 $H_{i-1}$ 和Encoder中所有RNN隐层状态 $h_1,h_2,...,h_j$ 的Attention得分；
  2. Attention得分是第 $i$ 时刻的输出单词 $y_i$ 与所有输入单词 $x_1,x_2,...,x_j$ 的对齐可能性（此处可以联想机器翻译任务中源词与译词一一对应，如下图中，输出“student”时，输入序列中的最后一个词的Attention权重一定是最高的）；
  3. 再以Attention得分为权重，对所有 $h_1,h_2,...,h_j$ 加权平均，得到第 $i$ 时刻的content向量。

• 加入Attention后，Decoder各个时刻的输入包括：

  • 初始时刻：<EOS>标记的词向量，以及当前时刻的content向量；
  • 其他时刻：Decoder前一时刻的输出单词的词向量，以及Decoder前一时刻的隐层状态，以及当前时刻的content向量 。

• 加入Attention后，Decoder各个时刻的输出包括：当前时刻的Decoder隐层状态，以及下一时刻的content向量。
  
  注：送入FFN+Softmax分类层的是，Decoder隐层状态和content向量的拼接。

三、引入Attention后，与传统的Seq2Seq的不同之处

总结，加入Attention后与传统的Seq2Seq模型主要有以下三点不同：

• Decoder每个节点都能获得Encoder直接传来的信息，而不是只有第一个节点接收content向量。
• Decoder并不是直接把Encoder提供的hidden state作为输入，而是采取一种选择机制，把最符合当前位置的hidden state的信息组合起来，具体的步骤如下：
  • 计算每一个hidden state的分数值，确定哪些hidden state与当前节点关系最为密切；
  • 对每个分数值做一个softmax的计算，这能让相关性高的hidden state的分数值更大，相关性低的hidden state的分数值更低。

题外话，Attention与Self-Attention的不同：

• Attention: Source中各单词与Target各单词的对齐机制
• Self-Attention: Source自身的各单词之间的依存关系建模机制(e.g.语法特征)，它能将Source的任意两个单词的联系通过一个计算步骤直接得出。

四、Seq2Seq的损失计算和解码过程

Seq2Seq的损失计算：产生最优输出序列
seq2Seq 在生成输出序列的时候是一个时刻生成一个字/词，换句话说，在每个时间步解决的是一个分类问题（选择词表中的哪个字）。

用最大似然估计(MLE)来最大化输出序列基于输入序列的条件概率函数，实现时，选用交叉熵(CE)或均方误差(MSE)

$$\log \mathbb{P}(y_1,\dots ,y_{T^{\prime }}\mid x_1,\dots ,x_T)=-\sum _{t^{\prime }=1}^{T^{\prime }}\log \mathbb{P}(y_{t^{\prime }}\mid y_1,\dots ,y_{t^{\prime }-1},\mathbf{c})$$

Beam search：调整最优输出序列的搜索空间
我们得到了每个时间步的输出字，而不是完整的输出序列。那么如何做呢？

最简单的是贪心法，即每个时刻，只取条件概率最高的1个词，加入候选输出句子中。贪心法的缺点是，得到了局部最优解，不一定是全局最优。

最复杂的是穷举搜索，把每一种可能的输出序列罗列出来，再选择最优解top-1。穷举搜索的缺点是复杂度非常高。

Beam search束搜索是最常见的解码方式。不同于穷举搜索，束搜索把搜索空间$|V{|}^L$降低到$k^L$。|V|是词典大小，L是输出句子长度，k是束大小。具体地，每个时刻，只保存概率最高的k个候选输出句子，其余的就删掉。k不能太小，否则检索空间太小，无法保证最优解。以8~12为佳。束搜索并不知道什么时候停下来，所以一般来说要定义一个最长的输出序列长度，或者遇到<eos>就停止检索。

注：注意处理长序列beam search得分过高的情况。例如，为结果值除以词数 T，更常见的是除以 $T^{\alpha }$。

---

• Reference：
  • [1] Cho K , Merrienboer B V , Gulcehre C , et al. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation[J]. Computer Science, 2014.
  • [2] Ilya Sutskever, Oriol Vinyals, and Quoc V Le. Sequence to sequence learning with neural networks. In Advances in Neural Information Processing Systems, pages 3104–3112, 2014.
  • [3] Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio. Neural machine translation by jointly learning to align and translate. In ICLR 2015, arXiv preprint arXiv:1409.0473, 2014.
  • 《深度学习》P287-289
  • 《深度学习进阶 自然语言处理》P274-374
  • 《百面机器学习》P247-255
  • https://github.com/google/seq2seq
  • https://github.com/farizrahman4u/seq2seq
  • 真正的完全图解Seq2Seq Attention模型
  • 深度学习中的注意力模型
  • Seq2Seq (Encoder-Decoder) and Attention Mechanism