引言
Transformer采用经典的encoder-decoder框架,是一个基于self-attention来计算输入和输出表示的模型,现已被应用于计算机视觉、自然语言处理等领域,都有非常好的效果。
Encoder-Decoder框架
Encoder-Decoder框架可以看作是一种深度学习领域的研究模式,即:将现实问题转化为一类可优化或者可求解的数学问题,利用相应的算法来实现这一数学问题的求解,然后再应用到现实问题中,从而解决了现实问题。
Encoder-Decoder框架分为Encoder(编码器)和Decoder(解码器)两个部分,分别实现现实问题->数学问题的转化和求解数学问题->现实问题解决方案的转化。
对于文本领域的Encoder-Decoder框架的实际模型案例比如,输入一个句子序列
X
1
,
X
2
,
X
3
.
.
.
.
X_1,X_2,X_3....
X1,X2,X3....经过encoder进行非线性编码,获得一个向量
C
C
C
(中间语义表示),decoder根据这个向量和之前生成的历史信息去生成另外一个句子
y
1
,
y
2
,
y
3
.
.
.
.
y_1,y_2,y_3....
y1,y2,y3....
。需要注意的是,这里的
Y
i
Y_i
Yi除了受向量
C
C
C的影响,通常还受前序逐步生成的历史信息影响,即:
Y
i
=
D
e
c
o
d
e
r
(
C
,
y
1
,
y
2
.
.
.
.
)
Y_i=Decoder(C,y_1,y_2....)
Yi=Decoder(C,y1,y2....)。
四种Encoder-Decoder模式
Encoder-Decoder框架特点
- 它是一个end-to-end的学习算法;
- 不论输入和输出的长度是什么,中间的向量
的长度都是固定的(导致存在信息缺失问题); - 根据不同的任务可以选择不同的编码器和解码器(可以是CNN、RNN、LSTM、GRU等)。
Encoder-Decoder框架应用
基于Encoder-Decoder框架设计的模型可以应用于:机器翻译、对话机器人、诗词生成、代码补全、文章摘要、语音识别、图像描述生成等方面。
Encoder-Decoder框架缺点
基础Encoder-Decoder框架存在的最大问题在于信息缺失。
Encoder将输入(Source)编码为固定大小的向量的过程是一个“信息有损的压缩过程”,信息量越大,转化得到的固定向量中信息的损失就越大,这就得Decoder无法直接无关注输入信息的更多细节。输入的序列过长,先输入的内容携带的信息可能会被后输入的信息稀释掉或被覆盖了,那么解码的时候一开始就没有获得输入序列足够的信息,可能会导致模型效果比较差。
原文章作者: 冬于
文章链接: https://ifwind.github.io/2021/08/15/Transformer%E7%9B%B8%E5%85%B3%E2%80%94%E2%80%94%EF%BC%881%EF%BC%89Encoder-Decoder%E6%A1%86%E6%9E%B6/