深度学习建模训练总结（四）：梳理NLP发展里程碑——seq2seq

因为我自己是比较希望做NLP方向的研究，之前简单回顾了一下基础的神经网络之后，接下来打算就从NLP的角度，来看看模型是怎么一步步改进发展的。

对于自然语言处理，首先想到的问题肯定是怎么把自然语言转化为向数字表示，毕竟机器没办法理解人类的语言，只能处理数字，所以人们就研究出了很多embedding模型，关于embedding我想在之后详细谈谈，这里先暂时跳过。

假设我们已经对自然语言进行了embedding，那么首先想到的自然就是使用最基本的神经网络进行处理和分析，也就是CNN和LSTM（RNN），这算是NLP引入神经网络的一个重要开始吧，CNN和LSTM其实算是各有优缺点吧，一方面，LSTM可以处理动态序列，而CNN则需要对输入序列进行截断或者padding，从而使得序列长度是固定的，另一方面，CNN可以并行训练（卷积计算不依赖历史的状态），而LSTM则必须算出历史的状态才可以继续算下去，这就导致了CNN的训练效率比LSTM高很多，除此之外，我觉得CNN和LSTM一个显著的差异应该是长期依赖问题，毕竟LSTM终究只能改善这个问题，而无法根治，但是CNN可以通过构建深层网络学习远距离特征，这是LSTM无法做到的。

RNN虽然说天生有缺陷，但是他设计很简单巧妙优雅，而且后来很多模型都是基于它发展起来的，比如seq2seq，NLP史上的又一个里程碑。

在介绍seq2seq之前，我们先回顾一下RNN的结构，网上有很多划分方法，比如1-to-n，长度为1的输入可以只在起始时刻用到，也可以每个时刻都重复输入：

除了1-to-n也有n-to-1或者n-to-n：

我们可以总结对比一下，CNN只能处理固定尺寸的输入输出，RNN可以处理变化尺寸的输入输出，但是要求输出尺寸要么为1要么等于输入，很自然的就会想到能不能发明一个模型，能够处理任意长度的输入同时生成任意长度的输出，而这就是seq2seq实现的效果。

个人觉得，seq2seq就是RNN的发展模型，首先seq2seq会接受长度为n的序列，生成一个语义向量c，这完全就是n-to-1型RNN做的事情，之后seq2seq会利用生成的语义向量，通过RNN生成长度为m的输出，其实这里就是接一个1-to-m型的RNN（每个时刻都会重复输入语义向量），所以我觉得seq2seq完全可以看成一个n-to-1型和一个1-to-m型的RNN叠加构成。

RNN天生自带缺陷，所以本质上由RNN构成的seq2seq也一样有长期依赖的问题，或者说生成的语义向量更多的包含了序列后端的信息，前端的信息则比较难传送到语义向量中，另一方面，通过单一的语义向量表示整个输入句子的信息也太难为人家了，所以就有人提出，在不同时刻，有目的性地计算不同的语义向量，在语义向量融入该时刻相关的信息，而不是追求一次性把所有信息都塞进语义向量中，这就是注意力机制做的事情，关于注意力机制，将在下文详细讲解。