标题:Sequence to Sequence Learning with Neural Networks
发表期刊:NIPS-2014
1、背景介绍
1.1、机器翻译评价指标:BLUE
1.2、seq2seq模型
2、模型结构
模型的encoder和decoder部分分别采用两个四层的LSTM,每个时间步输入一个词,最终encoder获得一个固定维度的向量作为整个句子的表示;随后decoder对向量进行解码获得句子翻译的结果
2.1、三点tricks
- 对于encoder和decoder,采用不同的LSTM
- 深层的LSTM比浅层的LSTM效果好
- 对源语言进行倒序输入会大幅提升翻译效果
2.2、Beam search
核心思想为在预测时保留B个可能性最高的词进行下一步的预测,最终挑选最优的结果
2.3、模型及训练细节
- 每层LSTM使用1000个神经元
- 采用1000维的词嵌入
- 使用8000维向量表示一个句子
- LSTM所有参数使用[-0.08,0.08]的均匀分布进行初始化
- 初始学习率为0.7,5个epoch之后,每经过0.5个epoch学习率减半,一共训练了7.5个epoch
- 128个句子作为一个batch进行训练
- 对进行长度进行的排序,使得一个batch中的句子长度相当,速度提升2x
3、实验结果及分析
4、代码实现
5、论文总结
本文为深度之眼paper论文班的学习笔记,仅供自己学习使用,如有问题欢迎讨论!关于课程可以扫描下图二维码