实践：动手搭建神经机器翻译模型

我们现在几乎每天都会用到翻译软件，无论是看论文看源码看新闻，总是会遇见一些不熟悉不认识的单词，关于机器翻译背后的原理我们在前一篇文章中已经讲到了，今天就来动手实践一下。

在这个例子中我们会用一个很小的数据集来理解一遍流程，接下来主要会有两大步骤，一个是 NMT 的训练，一个是 NMT 的推断预测。

NMT 的训练步骤：

1. 序列的表示：主要是将文本转化为序列数据。
2. 词嵌入：用一个低维向量浓缩表达每个单词，使用嵌入层来实现。
3. 训练 Encoder：输入数据进入编码器，学习出隐藏状态。
4. 连接 Encoder 和 Decoder：Encoder 的最终隐藏状态作为 Decoder 的初始状态。
5. 训练 Decoder：Decoder 的作用是给出目标序列的一个词，可以预测出下一个词。

不过训练好的 NMT 不能直接用来翻译新的数据，因为这时并不知道目标句子是什么，所以翻译的流程和训练的流程有些不同。

NMT 的推断预测：

1. 序列的表示：主要是将文本转化为序列数据。
2. 词嵌入：用一个低维向量浓缩表达每个单词，使用嵌入层来实现。
3. Encoder：将预处理好的数据输入进编码器学习隐藏状态。
4. 连接 Encoder 和 Decoder：Encoder 的最终隐藏状态作为 Decoder 的初始状态。
5. Decoder 预测：解码器的初始输入除了上面的状态向量，还有一个开始标记 <start>，然后可以预测下一个向量。
6. 选择预测值：预