【现代深度学习技术】现代循环神经网络08：束搜索

【作者主页】Francek Chen
【专栏介绍】$\lceil$PyTorch深度学习$\rfloor$ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现。
【GitCode】专栏资源保存在我的GitCode仓库：https://gitcode.com/Morse_Chen/PyTorch_deep_learning。

---

  在序列到序列学习（seq2seq）中，我们逐个预测输出序列，直到预测序列中出现特定的序列结束词元'<eos>'。本节将首先介绍贪心搜索（greedy search）策略，并探讨其存在的问题，然后对比其他替代策略：穷举搜索（exhaustive search）和束搜索（beam search）。

  在正式介绍贪心搜索之前，我们使用与序列到序列学习（seq2seq）中相同的数学符号定义搜索问题。在任意时间步$t^{\prime }$，解码器输出$y_{t^{\prime }}$的概率取决于时间步$t^{\prime }$之前的输出子序列$y_1,\dots ,y_{t^{\prime }-1}$和对输入序列的信息进行编码得到的上下文变量$\mathbf{c}$。为了量化计算代价，用$\mathcal{Y}$表示输出词表，其中包含'<eos>'，所以这个词汇集合的基数$\left|\mathcal{Y}\right|$就是词表的大小。我们还将输出序列的最大词元数指定为$T^{\prime }$。因此，我们的目标是从所有$\mathcal{O}({\left|\mathcal{Y}\right|}^{T^{\prime }})$个可能的输出序列中寻找理想的输出。当然，对于所有输出序列，在'<eos>'之后的部分（非本句）将在实际输出中丢弃。

一、贪心搜索

  首先，让我们看看一个简单的策略：贪心搜索，该策略已用于序列到序列学习（seq2seq）的序列预测。对于输出序列的每一时间步$t^{\prime }$，我们都将基于贪心搜索从$\mathcal{Y}$中找到具有最高条件概率的词元，即
$$y_{t^{\prime }}=\underset{y\in \mathcal{Y}}{\mathrm{argmax}}P(y\mid y_1,\dots ,y_{t^{\prime }-1},\mathbf{c})\text{\hspace{1em}(1)}$$ 一旦输出序列包含了'<eos>'或者达到其最大长度$T^{\prime }$，则输出完成。

图1 在每个时间步，贪心搜索选择具有最高条件概率的词元

  如图1中，假设输出中有四个词元'A'、'B'、'C'和'<eos>'。每个时间步下的四个数字分别表示在该时间步生成'A'、'B'、'C'和'<eos>'的条件概率。在每个时间步，贪心搜索选择具有最高条件概率的词元。因此，将在图1中预测输出序列'A', 'B', 'C', '<eos>'。这个输出序列的条件概率是$0.5\times 0.4\times 0.4\times 0.6=0.048$。

  那么贪心搜索存在的问题是什么呢？现实中，最优序列（optimal sequence）应该是最大化${\prod }_{t^{\prime }=1}^{T^{\prime }}P(y_{t^{\prime }}\mid y_1,\dots ,y_{t^{\prime }-1},\mathbf{c})$值的输出序列，这是基于输入序列生成输出序列的条件概率。然而，贪心搜索无法保证得到最优序列。

图2 在时间步2，选择具有第二高条件概率的词元“C”（而非最高条件概率的词元）

  图2中的另一个例子阐述了这个问题。与图1不同，在时间步$2$中，我们选择图2中的词元'C'，它具有第二高的条件概率。由于时间步$3$所基于的时间步$1$和$2$处的输出子序列已从图1中的'A'和'B'改变为图2中的'A'和'C'，因此时间步$3$处的每个词元的条件概率也在图2中改变。假设我们在时间步$3$选择词元'B'，于是当前的时间步$4$基于前三个时间步的输出子序列'A', 'C'和'B'为条件，这与图1中的'A'、'B'和'C'不同。因此，在图2中的时间步$4$生成每个词元的条件概率也不同于图1中的条件概率。结果，图2中的输出序列'A', 'B', 'C', '<eos>'的条件概率为$0.5\times 0.3\times 0.6\times 0.6=0.054$，这大于图1中的贪心搜索的条件概率。这个例子说明：贪心搜索获得的输出序列'A', 'B', 'C', '<eos>'不一定是最佳序列。

二、穷举搜索

  如果目标是获得最优序列，我们可以考虑使用穷举搜索（exhaustive search）：穷举地列举所有可能的输出序列及其条件概率，然后计算输出条件概率最高的一个。

  虽然我们可以使用穷举搜索来获得最优序列，但其计算量$\mathcal{O}({\left|\mathcal{Y}\right|}^{T^{\prime }})$可能高的惊人。例如，当$|\mathcal{Y}|=10000$和$T^{\prime }=10$时，我们需要评估$10000^{10}=10^{40}$序列，这是一个极大的数，现有的计算机几乎不可能计算它。然而，贪心搜索的计算量$\mathcal{O}(\left|\mathcal{Y}\right|T^{\prime })$通它要显著地小于穷举搜索。例如，当$|\mathcal{Y}|=10000$和$T^{\prime }=10$时，我们只需要评估$10000\times 10=10^5$个序列。

三、束搜索

  那么该选取哪种序列搜索策略呢？如果精度最重要，则显然是穷举搜索。如果计算成本最重要，则显然是贪心搜索。而束搜索的实际应用则介于这两个极端之间。

  束搜索（beam search）是贪心搜索的一个改进版本。它有一个超参数，名为束宽（beam size）$k$。在时间步$1$，我们选择具有最高条件概率的$k$个词元。这$k$个词元将分别是$k$个候选输出序列的第一个词元。在随后的每个时间步，基于上一时间步的$k$个候选输出序列，我们将继续从$k\left|\mathcal{Y}\right|$个可能的选择中挑出具有最高条件概率的$k$个候选输出序列。

图3 束搜索过程(束宽:2，输出序列的最大长度:3)。候选输出序列是A、C、A,B、C,E、A,B,D和C,E,D

  图3演示了束搜索的过程。假设输出的词表只包含五个元素： Y = { A , B , C , D , E } \mathcal{Y} = \{A, B, C, D, E\} Y={A,B,C,D,E}，其中有一个是'<eos>'。设置束宽为$2$，输出序列的最大长度为$3$。在时间步$1$，假设具有最高条件概率$P(y_1\mid \mathbf{c})$的词元是$A$和$C$。在时间步$2$，我们计算所有$y_2\in \mathcal{Y}$为：
$$\begin{array}{r}P(A,y_2\mid \mathbf{c})=P(A\mid \mathbf{c})P(y_2\mid A,\mathbf{c})\\ P(C,y_2\mid \mathbf{c})=P(C\mid \mathbf{c})P(y_2\mid C,\mathbf{c})\end{array}\text{\hspace{1em}(2)}$$ 从这10个值中选择最大的两个，比如$P(A,B\mid \mathbf{c})$和$P(C,E\mid \mathbf{c})$。然后在时间步$3$，我们计算所有$y_3\in \mathcal{Y}$为：
$$\begin{array}{r}P(A,B,y_3\mid \mathbf{c})=P(A,B\mid \mathbf{c})P(y_3\mid A,B,\mathbf{c})\\ P(C,E,y_3\mid \mathbf{c})=P(C,E\mid \mathbf{c})P(y_3\mid C,E,\mathbf{c})\end{array}\text{\hspace{1em}(3)}$$ 从这10个值中选择最大的两个，即$P(A,B,D\mid \mathbf{c})$和$P(C,E,D\mid \mathbf{c})$，我们会得到六个候选输出序列：（1）$A$；（2）$C$；（3）$A,B$；（4）$C,E$；（5）$A,B,D$；（6）$C,E,D$。

  最后，基于这六个序列（例如，丢弃包括'<eos>'和之后的部分），我们获得最终候选输出序列集合。然后我们选择其中条件概率乘积最高的序列作为输出序列：
$$\frac{1}{L^{\alpha }}\log P(y_1,\dots ,y_L\mid \mathbf{c})=\frac{1}{L^{\alpha }}\sum _{t^{\prime }=1}^L\log P(y_{t^{\prime }}\mid y_1,\dots ,y_{t^{\prime }-1},\mathbf{c})\text{\hspace{1em}(4)}$$其中，$L$是最终候选序列的长度，$\alpha$通常设置为$0.75$。因为一个较长的序列在式(4)的求和中会有更多的对数项，因此分母中的$L^{\alpha }$用于惩罚长序列。

  束搜索的计算量为$\mathcal{O}(k\left|\mathcal{Y}\right|T^{\prime })$，这个结果介于贪心搜索和穷举搜索之间。实际上，贪心搜索可以看作一种束宽为$1$的特殊类型的束搜索。通过灵活地选择束宽，束搜索可以在正确率和计算代价之间进行权衡。

小结

• 序列搜索策略包括贪心搜索、穷举搜索和束搜索。
• 贪心搜索所选取序列的计算量最小，但精度相对较低。
• 穷举搜索所选取序列的精度最高，但计算量最大。
• 束搜索通过灵活选择束宽，在正确率和计算代价之间进行权衡。