<模型汇总-7>基于CNN的Seq2Seq模型-Convolutional Sequence to Sequence Learning

最新推荐文章于 2024-10-02 15:54:45 发布

lqfarmer

最新推荐文章于 2024-10-02 15:54:45 发布

阅读量1.2w

点赞数 4

分类专栏：深度学习深度学习模型汇总深度学习与机器翻译文章标签：深度学习 Convolution Seq2seq LN GAN

本文链接：https://blog.csdn.net/lqfarmer/article/details/71836114

版权

深度学习模型汇总同时被 3 个专栏收录

308 篇文章 26 订阅

订阅专栏

深度学习

257 篇文章 29 订阅

订阅专栏

深度学习与机器翻译

208 篇文章 6 订阅

订阅专栏

Seq2seq是现在使用广泛的一种序列到序列的深度学习算法，在图像、语音和NLP，比如：机器翻译、机器阅读、语音识别、智能对话和文档摘要生成等，都有广泛的应用。Seq2Seq模由encoder和decoder两个部分来构成，假设模型的训练样本为（X,Y），encoder负责把输入X映射到隐向量Z，再由decoder把Z映射到输出Y。现在大多数场景下使用的Seq2Seq模型基于RNN构成的，虽然取得了不错的效果，但也有一些学者发现使用CNN来替换Seq2Seq中的encoder或decoder可以达到更好的效果。最近，FaceBook帆布一篇论文：《Convolutional Sequence to Sequence Learning》，提出了完全使用CNN来构成Seq2Seq模型，用于机器翻译，超越了谷歌创造的基于LSTM机器翻译的效果。

论文及代码下载地址

论文下载地址：https://arxiv.org/abs/1705.03122

开源代码github地址：https://github.com/facebookresearch/fairseq

Convolutional Seq2Seq中采用各种trick

FaceBook发布的这篇文章的工作持续时间比较长了，依赖于《Language Modeling with Gated Convolutional Networks》文章中的工作。个人认为，FaceBook的Convolutional SeqSeq取得了超越Google翻译的成果，重要原因在于采用了很多的trick，很多工作值得借鉴：

1、Position Embedding，在输入信息中加入位置向量P=（p1,p2,....），把位置向量与词向量W=（w1，w2,.....）求和构成向量E=(w1+p1,w2+p2)，做为网络输入，使由CNN构成的Encoder和Decoder也具备了RNN捕捉输入Sequence中词的位置信息的功能。

2、层叠CNN构成了hierarchical representation表示。层叠的CNN拥有3个优点：

（1）捕获long-distance依赖关系。底层的CNN捕捉相聚较近的词之间的依赖关系，高层CNN捕捉较远词之间的依赖关系。通过层次化的结构，实现了类似RNN（LSTM）捕捉长度在20个词以上的Sequence的依赖关系的功能。

（2）效率高。假设一个sequence序列长度为n，采用RNN（LSTM）对其进行建模需要进行n次操作，时间复杂度O（n）。相比，采用层叠CNN只需要进行n/k次操作，时间复杂度O（n/k）,k为卷积窗口大小。

（3）可以并行化实现。RNN对sequence的建模依赖于序列的历史信息，因此不能并行实现。相比，层叠CNN正个sequence进行卷积，不依赖序列历史信息，可以并行实现，模型训练更快，特别是在工业生产，面临处理大数据量和实时要求比较高的情况下。

3、融合了Residual connection、liner mapping的多层attention。通过attention决定输入的哪些信息是重要的，并逐步往下传递。把encoder的输出和decoder的输出做点乘（dot products），再归一化，再乘以encoder的输入X之后做为权重化后的结果加入到decoder中预测目标语言序列。

4、采用GLU做为gate mechanism。GLU单元激活方式如下公式所示：

每一层的输出都是一个线性映射X*W + b，被一个门gate：o（X*V+c）控制，通过做乘法来控制信息向下层流动的力度，o采用双曲正切S型激活函数。这个机制类似LSTM中的gate mechanism，对于语言建模非常有效，使模型可以选择那些词或特征对于预测下一个词是真的有效的。

5、进行了梯度裁剪和精细的权重初始化，加速模型训练和收敛。

完整的网络结构分析

Figure1是论文中给出的的Convolutional Seq2Seq的结构，看起来有点复杂，其实挺简单的。下面简要分析下是如何与上述5个trick结合起来的：

上左encoder部分：通过层叠的卷积抽取输入源语言（英语）sequence的特征，图中直进行了一层卷积。卷积之后经过GLU激活做为encoder输出。

下左decoder部分：采用层叠卷积抽取输出目标语言（德语）sequence的特征，经过GLU激活做为decoder输出。

中左attention部分：把decoder和encoder的输出做点乘，做为输入源语言（英语）sequence中每个词权重。

中右Residual connection：把attention计算的权重与输入序列相乘，加入到decoder的输出中输出输出序列。

最后实验结论

在多个公开数据集上获得了新的state-of-the-art的成绩。在WMT-16、英语-罗马尼亚语翻译，高出以前方法1.8 BLEU；在WMT-14、英语-法语翻译，比以前LSTM模型所取得的成绩高出1.5 BLEU；在WMT-14、英语-德语翻译，比以前方法高出0.5 BLEU。

总结

个人感觉本文采用了很多简单且非常有效的trick，达到了基于LSTM的NMT方法更好的效果，正因为如此，并不能说，基于CNN seq2seq模型就一定比基于LSTM的Seq2Seq一定好。采用CNN的Seq2Seq最大的优点在于速度快，效率高，缺点就是需要调整的参数太多。上升到CNN和RNN用于NLP问题时，CNN也是可行的，且网络结构搭建更加灵活，效率高，特别是在大数据集上，往往能取得比RNN更好的结果。

下期预告

下期将给大家带来基于Convolutional Seq2Seq实战，尽情期待。

扫描下方二维码可以订阅哦！