吴恩达深度学习笔记——序列模型与循环神经网络（Sequence Models）

亦梦亦醒乐逍遥

已于 2022-10-09 19:40:04 修改

阅读量1k

点赞数 1

分类专栏：个人随笔/学习笔记文章标签：深度学习人工智能机器学习

于 2022-08-16 16:27:10 首次发布

本文链接：https://blog.csdn.net/weixin_50295745/article/details/126333612

版权

个人随笔/学习笔记专栏收录该内容

54 篇文章 60 订阅

订阅专栏

深度学习笔记导航

前言
传送门
序列模型（Sequence Models）

前言

本系列文章是吴恩达深度学习攻城狮系列课程的笔记，分为五部分。

这一章主要将了循环神经网络。

我的笔记不同于一般的笔记，我的笔记更加凝练，除了结论以及公式，更多的是对知识的理解，结合课程可以加速理解，省去很多时间，但是请注意，笔记不能替代课程，应该结合使用。

传送门

结构化机器学习项目，我建议放在最后看。

首先学这一节对你后面的学习没有影响，我就是跳过去学的。而且他更多的讲的是策略，尤其是举了很多后面的例子，你听了不仅不太好懂，而且没啥意思，所以我建议放在最后看。

神经网络与深度学习（Neural Networks and Deep Learning）

改善深层神经网络：超参数调整，正则化，最优化（Hyperparameter Tuning）

卷积神经网络（Convolutional Neural Networks)

序列模型与循环神经网络（Sequence Models）

结构化机器学习项目（Structuring Machine Learning Projects）

序列模型（Sequence Models）

Recurrent Neural Networks（循环神经网络）

序列模型

输入和输出都可能是序列，而且输入和输出的序列长度并不一定能保证一致，甚至输入内部的长度也不能保证一致。

符号：以NLP举例

$x^{(i)}$ ，一个样本，在NLP中通常为一句话。
$x^{(i)<t>}$ 代表第个i样本序列中第t个元素。比如一个单词
$T_{x^{(i)}}$ 代表第i个样本序列的长度。
Vocabulary：一个向量，每一个元素都是一个单词，比如big，cat等，长度从3w到10w不等大的可能有100w。
有了这个Vocabulary，那么 $x^{(i)<t>}$ 就可以用这个单词在Vocabulary中的位置来表示，通常是用one-hot编码来把一个单词表示成一个向量。
如上规则，对于y也是一样的。

到现在，已经构建了x，一个维度可变的矩阵，到y，维度可变的矩阵，如何建立映射就是模型的事情了。

循环神经网络基础

如果用传统神经网络实现模型，会面临两个问题：

对于一个样本，他实际上是二维的，由 $T_x$ 个one-hot向量构成，那么神经网络的参数量会特别大。
每一个样本的长度是不同的，传统神经网络处理需要扩展数据到同一维度，效率很低。
而且这种独立处理的方式，并不能学习到序列的特性，前后关系。

循环神经网络的思路就是，在输入层到输出层之间弄一个隐藏层，这一个隐藏层可以适应不通长度的输入。

对一个样本的计算过程是：

计算输入的长度，同时初始化
$a^{<0>}=\vec{0}$
用前一层的a和这一层的x计算这一层的a
$a^{}=\sigma(W_{aa}a^{<i-1>}+W_{ax}x^{}+b_a)$
用这一层的a计算输出
$y^{}=\sigma(W_{ya}a^{}+b_y)$
由此递归/循环完整个长度的序列

双下标可以这么理解，第一个下标是目标，第二个下标是要利用的（要乘的）变量类型

之所以叫循环，是因为全体过程走下来，对于一个样本的每一次循环来说，用的参数都是一个参数，只不过在递归的，依次地对样本的每个词元做处理。

从这个过程来看，每一个a和前面所有的样本有关，也就是说有时序特性。缺点在于无法学习反向的联系，后面会优化。

在这里插入图片描述

重写一下公式：

$a^{<t>}=\sigma(W_a[a^{<t-1>},x^{<t>}]+b_a)$
这里注意[ ]是类似矩阵写法，实际上是竖着的分块矩阵，同样， $w_a$ 其实也是两个参数矩阵水平分块堆叠起来。用分块矩阵积可以还原回最初始的公式
$y^{}=\sigma(W_{y}a^{}+b_y)$
这个很好理解，因为只需要乘a，所以没必要区分。
经过重写后的参数，就非常容易区分， $W_a,W_y,b_a,b_y$

bp through time环节：

损失函数：对每一个 $y^{<t>}$ 进行内部的交叉熵计算，然后把所有T个y的交叉熵结果求和。

这样，如果把损失函数降到很低，那么总和低，每一个词元预测的正确率就都会很高。

至于具体怎么求导，就是框架的事儿了。（其实我很好奇，但是现在先还不管），知道损失函数就足够了。

RNN变体

在这里插入图片描述

RNN变体用于各种序列任务中。

多对多的叫many-to-many，是最经典的RNN，通常用于命名实体识别这种。

多对一的叫many-to-one，这种只在最后一个有输出。

一对一的，就是前面经典的神经网络

one-to-many。这个就是送进去第一个x，然后别x的可以用前一步输出的y替代，或者就不需要再送进来了，感觉就是个马尔科夫。

many-to-many有特殊变体，比如机器翻译中，两个序列的长度就不同，又比如有的输入不是序列，有的输出不是序列。

这个要用encoder和decoder，前面是一个多对一的，不输出，但是会把整个句子变成一个a，相当于编码，然后送到decoder里，相当于一对多，再解码。

还有双向RNN，相当于一个从前到后的+一个从后到前的RNN，然后y通过两个隐变量计算。

语言模型（重点）

基础概念

这一节比较难理解，我重点解释。

语言模型：计算一个给定句子的概率。

至于概率怎么算的，你可以记住这句话，从本质来说，是计算一系列soft-max向量，基于这些向量可以得出给定句子的概率。具体细节后面慢慢说。

语料库：首先要有一个corpus，应该是语料库，语料库里有一大堆句子，每一个句子可以理解为一个样本。

标记化tokenize：然后运用已有的vocabulary，将语料库中的每一个样本，转化为one-hot相量的矩阵，比如 $y^{<1>},y^{<2>},y^{<3>}$

通常，输入用x表示，用y表示一个绝对正确的句子，输出用 $\hat{y}$ 表示，注意区分y和 $\hat{y}$ ，一个是绝对正确的句子，是one-hot编码，另一个只是预测，通常是soft-max格式的。
这时你可能会好奇，x应该是什么，请保持疑问，往下面看。
且有时候句号（period）以及其他标点会被考虑
不认识的词可以被标记为UNK
而且在结尾可能会加上EOS标记。

最后就是训练参数。

训练过程详解

在这里插入图片描述

这里给的例子看起来比较迷惑，和前面的many-to-many很不一样，因为最开始的任务是词性分类任务，T个输入就有T个输出，对一个输入就要预测其词性。而这个任务是单步预测，预测第一个不需要任何条件，预测第二个需要第一个作为输入以此类推，令y落后一步与x，因为要落后，所以 $x^{<1>}=0,x^{<t>}=y^{<t-1>}$ 。这也解释了前面的疑问：x用什么？

我们再逐个解释一下 $\hat{y}$ 的含义。

$\hat{y}^{<1>}=\begin{bmatrix} P(a)\\ P(cat) \\ \vdots \\ P(Zulu) \end{bmatrix}$
$\hat{y}^{<2>}=\begin{bmatrix} P(a|cat)\\ P(cat|cat) \\ \vdots \\ P(Zulu|cat) \end{bmatrix}$

$\hat{y}^{<3>}=\begin{bmatrix} P(a|cat,average)\\ P(cat|cat,average) \\ \vdots \\ P(Zulu|cat,average) \end{bmatrix}$

首先明白，输出的是一个soft-max向量，代表着10000个词的概率。因为预测第一个词没有给出任何条件，所以就直接预测，至于预测如何，第一个是随机的。但是从第二个开始就不一样了，就变成条件概率了，至于条件，就是 $y^{<t-1>}$ ，而不是 $\hat{y}^{<t-1>}$ ，请注意区分。这也很合理，预测第一个啥也不用，预测第二个就需要前一个，那预测第三个就需要前两个，以此类推。

最后就是损失函数定义，还是如前面所说的交叉熵。

以上只是训练的过程，正因为是巡练，所以 $x^{<t>}=y^{<t-1>}$ ，但是到了预测的时候，就只会给出前半截语句，让你预测后半段，因为后半段没给，所以后半段的 $x^{<t>}=\hat{y}^{<t-1>}$ ，即，给定模型与前半截语句，那后半截的输出预测就已经确定下来了。

请注意，后半截的预测并不是结果，只是给出soft-max向量，很多时候，并不一定采用概率最大的那个词元作为预测结果。

在你明白预测相量的本质就是soft-max向量以后，我们回归最开始的定义：语言模型可以给出一个语句的概率，那这个概率是怎么算的？

计算过程：给定一系列y，丢进去语言模型，可以得到一系列 $\hat{y}$ ，然后 $P(y^{<1>},y^{<2>},y^{<3>})=P(y^{<1>})P(y^{<2>}|y^{<1>})P(y^{<3>}|y^{<1>}y^{<2>})$ ，至于这三个条件概率，就从对应的 $\hat{y}^{<t>}$ 中去寻找对应词的概率，可以想象到，一个词的概率本来就不高，你这T个词的概率一乘，最后得出的概率为 $10^{-10}$ 级别也很合理了，什么时候能做到0.1级别的概率就很恐怖了。

到这里你也会发现，其实语言模型不只是能计算概率，也可以进行预测，但究其根本，都是概率的计算。

新序列采样（sample novel sequences）：

已经训练好了，怎么用呢？所谓的用，就是生成一个序列，可以理解为根据模型本身就代表一种分布，我们给输入，就可以对分布进行采样，得到输出。

采样原则就是根据输出的y-hat里面的概率，随机选择一个作为采样结果词元，而并不一定是直接用概率最大的那个。

理论上，如果你不给输入，也就是直接从头预测，可能每次的结果都基本相同，因为这是个马尔科夫过程。

如果要改变结果，你就需要给一些输入，即使只是第一个输入，也会极大地改变结果，输入越多，预测越准。即使是这样，普通的NLP生成的结果也有一种胡言乱语的感觉，尤其是用char作为词元的模型。

有一处不合理的就是，就是无论你输入什么，都不会改变第一个输出的概率分布。

RNN改进

梯度消失

梯度下降的原理至今没搞清楚，一方面大致是越靠前的层，就越不容易被bp调节，另一方面就是前面的信息向后传递的过程中损失了很多，所以中间隔得越长，就越学不到长期依赖。

梯度爆炸虽然也会出现，但是很明显，可以迅速处理。比如使用gradient clip，当发现有溢出，就进行缩放。

目前有GRU和LSTM两种方式改进，改进后，隐藏层对外的接口表现不变，只不过内部增加了新的变量和转化。

GRU（gated recurrent unit）

Cho, Kyunghyun, et al. “On the properties of neural machine translation: Encoder-decoder approaches.” arXiv preprint arXiv:1409.1259 (2014).

Chung, Junyoung, et al. “Empirical evaluation of gated recurrent neural networks on sequence modeling.” arXiv preprint arXiv:1412.3555 (2014).

思想：

既然单靠隐变量无法记忆较远的信息，那么干脆就创建一个记忆变量，储存较远的信息，又因为较远的信息不多，所以创建一个c变量（可以是向量）也还合理。

c变量通过门变量（也可以是向量）的控制，来确定是要采用新的c值还是保持原状。假设c保持原状，那么就代表一种记忆，也意味着隐变量只受到当前步的微小影响。如果用新的c值，那么就代表更新记忆，舍弃陈旧的记忆。

那么问题来了，看起来c和a是独立的，如何通过c影响输出呢？

那就是用这个c来替代a。

公式：

$\tilde{c}^{<t>}=\sigma(W_c[c^{<t-1>},x^{<t>}]+b_c)$
简单版：tilde-c使用类似于隐变量的计算方式来进行传递，但是这里只是一个临时的c，并不一定会将c覆盖。
$\tilde{c}^{<t>}=\sigma(W_c[\Gamma_r c^{<t-1>},x^{<t>}]+b_c)$
完全版：这里加入r门表示相关性relative。这个r有时候也被叫做reset门，如果r是1，那么相当于基本循环神经网络，如果r是0，那么候选c就完全不受过往状态影响。
$\Gamma_r=sigmoid(W_r[c^{<t-1>},x^{<t>}]+b_r)$
$\Gamma_u=sigmoid(W_u[c^{<t-1>},x^{<t>}]+b_u)$
门控符号也是类似于隐变量的生成方式，但是是基于上一个c生成的，最后基本就是接近于0或者1
$c^{<t>}=\Gamma_u\times\tilde{c}^{<t>}+(1-\Gamma_u)\times c^{<t-1>}$
类似于交叉熵的写法，通过门控符号决定当前层的c采用新计算出来的c还是维持上一个c不变
$a^{<t>}=c^{<t>}$

LSTM（long short term memory）

Hochreiter, Sepp, and Jürgen Schmidhuber. “Long short-term memory.” Neural computation 9.8 (1997): 1735-1780.

这篇论文比较难，深入的讲解了gradient vanishing的原理。

公式：

$\tilde{c}^{<t>}=tanh(W_c[a^{<t-1>},x^{<t>}]+b_c)$
相比于GRU，tilde-c由a，x，b决定，直观上不受上一个c影响，更加合理。有一些变体会显式地增添上一个c的影响（peephole connection）
$\Gamma_u=\sigma(W_u[a^{<t-1>},x^{<t>}]+b_u)$
控制update，相当于记忆
$\Gamma_f=\sigma(W_f[a^{<t-1>},x^{<t>}]+b_f)$
控制forget，相当于遗忘（跳过当前步）
$\Gamma_o=\sigma(W_o[a^{<t-1>},x^{<t>}]+b_o)$
控制output，控制c到a的转化
$c^{<t>}=\Gamma_u\times\tilde{c}^{<t>}+\Gamma_f\times c^{<t-1>}$
长短期记忆的线性组合
$a^{<t>}=\Gamma_o\times c^{<t>}$
这一步实现了c到a的转化

我个人觉得LSTM更加合理，首先是a和输入共同转化为门，tilde-c，进一步变成c，最后变成a，一个循环走下来，实际上所有的量本质上还是由a，x决定的，这和经典RNN的本质是相同的。

同时，形式上看c和a几乎是平行的，c用来储存记忆，而是否储存记忆，是由a和x决定的，而a代表着曾经的信息，这个因果决定关系很合理，即通过从开始到现在的所有信息决定更新和遗忘的比例，进而影响a。

LSTM和GRU对比：

说实话，相比于GRU，我更喜欢LSTM，并且LSTM更早提出，更加直观，更加灵活，但是灵活的代价就是成本高，因为有三个门。

GRU只有两个门，所以成本更低，结构简单，很多人逐渐开始测试这种方式。

NLP and Word Embeddings（词嵌入与自然语言处理）

基本概念

word representation（词汇表征）

Van der Maaten L, Hinton G. Visualizing data using t-SNE[J]. Journal of machine learning research, 2008, 9(11).

平常我们写句子的时候，同义词总是可以互相替换，但是在基于频率的one-hot编码下，即使是同义词，也可能相距甚远，不能相互替换。

这个时候，就需要一种更好的编码方式，试想能否采用多种特征去描述一个词，构成一个特征向量，近义词的特征向量比较相似，这样就可以互相替换。

这就是词嵌入的理念，向量之间的相似性类似于数值的相似性，其实在最开始的线性网络中，数值的相似性就已经是隐含的了，只要输入的数值接近，结果就会接近。

之所以叫词嵌入，是因为可以将n维的特征向量放到一个n维空间里，每一个向量对应于一个点，相当于把一个点嵌入空间中。

理论上，相似的向量总是会聚在一起，就像聚类一样。词嵌入好处很多，比如信息储存量很大，比如存10000类，只需要300维的向量，相比起来，one-hot就得10000维，这样的话，词嵌入就可以有巨大的词汇量。而且，这种词嵌入是有扩展性的，新进来的类别不会影响维度，所以可以不断扩充。

为了直观查看词嵌入的效果，需要可视化，但是n维空间无法可视化，所以需要降维，这种降维算法就叫做t-SNE，作者是大名鼎鼎的Hinton。

二维化以后，就可以直观地看出词嵌入的分布了。

词嵌入是NLP领域中很重要的概念，但是思想却很朴实，所以开创性的成就不一定复杂。

using word embeddings（使用词嵌入）

词嵌入模型只是一个编码模型，和训练模型是解耦的，所以获取词嵌入模型有两种方式：

自己训练，这需要大量的语料库。至于怎么训练，那是后话了。训练的过程，我现在感觉就像是无监督的聚类。
直接下载别人的

用已经预训练好的词嵌入模型，迁移到另一个小任务中去训练。这一个训练过程，相当于在已经构建好的空间中，再次嵌入一些新的向量。

为什么是小任务呢？因为新样本的训练无疑会影响原来的向量空间，样本太多就会破坏掉原来的模型，这就和重新训练一个没太大区别了。

最后就是选择性的微调一下。

词嵌入的特性：相似性计算

词嵌入可以用于找同义词，比如男人对女人，我就可以通过国王对应到王后。

设三个embedding后的向量 $e_{man},e_{woman},e_{king},e_{queen}$

从向量角度理解， $e_{man}-e_{woman}\approx e_{king}-e_{queen}$

假设我们要找出这个 $e_{queen}$ ，我们就需要找到满足这个条件的变量： $argmax sim(e_{w},e_{king}-e_{man}+e_{woman})$

$sim(u,v)=\dfrac{u^Tv}{||u||_2||v||_2}$

这个sim函数就叫cosine similarity，用于衡量向量相似性，当向量同向，sim=1，垂直就是sim=0，相反就是-1。

另一种计算方式是计算不相似性，这个就是经典的欧氏距离。

通过这种方式，就可以实现基于embedding的类比推理。

训练方法详解

词嵌入矩阵

词嵌入矩阵 $E=[e_1,e_2,\cdots,e_n]$
里面的每一列都是embedding后的向量。

如何从词嵌入矩阵中提取一个向量呢，有 $E\cdot o_j=e_j$ ，因为one-hot的特殊性，故有上面的公式，但是实际要取一个，直接用one-hot中值为1的索引对E切片就好了。

词嵌入学习

Bengio, Yoshua, Réjean Ducharme, and Pascal Vincent. “A neural probabilistic language model.” Advances in neural information processing systems 13 (2000).

建立一个语言模型可以用于学习词嵌入。

思路就是在第一层就用embedding层，之后加入语言模型，感觉有点卷积层的意思了，卷积层就是先提取特征，而我认为embedding就是词元的特征。

由于将E矩阵也在bp的范围内，所以E矩阵会朝着最大化提取信息的方向训练，最终目的是让准确率提高。

另一种理解方式，假设我们给出orange juice，apple juice，purple juice，三个水果都预测出一个juice，为了得到同一个结果，bp训练强迫E矩阵对三种水果形成相近的embeddings。

这一过程听起来比较玄学，效果和原理有待考证。

因为这里没有用到RNN，所以我们可以用多种方式选择参考的输入数据

利用n时间窗口，以预测位置的前n个词元作为输入
前后各取m，n个单词，有点完形填空的味道
取紧挨着的一个单词

Word2Vec算法

Mikolov, Tomas, et al. “Efficient estimation of word representations in vector space.” arXiv preprint arXiv:1301.3781 (2013).

Word2Vec是一种学习词嵌入的算法。

（context，target）配对，作为监督学习。

skip-grams

通过中心词排推断上下文一定窗口内的单词。这个听起来就很难，但是我们也不是要去解决这个问题，而是要顺带学了词嵌入

随机选择中心词，标记为context。实际上，并不是随机，有更多的启发式算法。
以中心词周边skip-window范围内，随机选择Target词配对。
训练链条： $o_c\rightarrow E\rightarrow e_c\rightarrow softmax \rightarrow \hat{y}$
其中，o和y都是one-hot向量，o是context，y是target
其中soft-max层，首先每一个神经元要用一个参数 $\theta_j$ 与 $e_c$ 点乘，形成一个标量，如此用n个soft-max神经元产生n个结果，之后指数化+归一化，得到概率值。假如n=10000，则公式可以写作： $p(t|c)=\dfrac{e^{\theta_t^Te_c}}{\sum_{j=1}^{10000}e^{\theta^T_je_c}}$ ，公式中每一个t都代表一类，总共10000类
因为soft-max层要计算的太多了（nlp领域中one-hot编码太长了导致n特别大），所以为了加速，有时候会采用二分分级（hierarchical）分类的方式，而且二叉树有时候会按照赫夫曼法则去构建，让高频词更容易出现。另一种方法是后面的负采样。

负采样

Mikolov, Tomas, et al. “Distributed representations of words and phrases and their compositionality.” Advances in neural information processing systems 26 (2013).

首先构造样本，样本由1+k个样本组成：

给定context为中心词，保持不变
正采样：从窗口中取一个词作为word，标记target为1，寓意是word与context有关
负采样：从vocabulary中取k个次作为word，生成k个样本，所有target标记都是0，代表word与context无关，即使是word碰巧出现在了context的窗口内

规定问题：训练一个分类器，辨别context和word是正采样获得的还是负采样获得的

简化后的问题公式就变成了： $P(y=1|c,t)=\sigma(\theta_t^Te_c)$ ，对一个context，我们理论上需要训练n个target二元分类器。

实际上，因为我们只采样了1+k个样本，所以只需要针对这1+k个分类器训练就可以。

直观理解训练原理：

一个绕不开的点就是，为什么需要负采样，单一个正采样不可以吗？我们可以理解为抑制。如果只有正采样，那么正采样以外的分类器都只是随机的，可以低也可以高，加了负采样，负采样部分就会被抑制，向着0训练。
对于一个分类器说，训练好以后，就可以明辨context-word对是正采样还是负采样来的，那如果是正采样，就意味着单词之间至少都是属于一句话的。
进一步讲，如果同一个context对两个不同的word都能得出同样的结果，那么可见这两个word的embedding也是类似的，这可以作为一个直观解释

CBOW（continuous bag of words）

通过上下文推断中心词。和skip-gram基本是相反的。

GloVe词向量算法

Pennington J, Socher R, Manning C D. Glove: Global vectors for word representation[C]//Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP). 2014: 1532-1543.

GloVe通过算法计算出单词之间的关联度，然后根据关联度进行embedding。

设 $x_{ij}=x_{ct}=target出现在content附近的次数$

如果窗口是对称的，比如左右5个单词的范围，那么很明显 $x_{ij}=x_{ji}$

训练算法： $min\sum_{i=1}^{10000}\sum_{j=1}^{10000}(\theta_i^Te_j-logX_{ij})^2$

训练的最终目的本质上还是soft-max，如果ij的关联大，则logX就大，要将算法训练到最小，那么 $\theta_i^Te_j$ 就要尽量大（匹配logX），思考一下soft-max里面的公式，这个就决定了该分类概率的大小。

换言之，这个模型和soft-max的本质一样，X越大，对应于soft-max中概率就越大。

现在有一个问题如果X=0，那么log是无限小的，所以需要调节一下，不要让结果太小，同时，有很多像the，of之类出现频率太高的词也不应该让结果太大，所以就要加一个系数

$min\sum_{i=1}^{10000}\sum_{j=1}^{10000}f(X_{ij})(\theta_i^Te_j-logX_{ij})^2$

当X=0，f（X）=0，其他情况根据算法具体而定，总之是一项启发性的东西。

最后增加的这两项，目前意义不明

$min\sum_{i=1}^{10000}\sum_{j=1}^{10000}f(X_{ij})(\theta_i^Te_j+b_i+b'_j-logX_{ij})^2$

最后的最后， $e_w^{final}=\dfrac{e_w+\theta_w}{2}$ ，之所以采取平均，是因为这个和soft-max还是有不同，这里的 $\theta，e$ 起到的作用类似，有对称性，所以求平均。

补充

情感分类

这属于nlp的一个综合应用。

$one-hot\rightarrow embeddings \ layer \rightarrow e \rightarrow RNN \ layer \rightarrow soft-max \ layer \rightarrow result$

embeddings的E矩阵从另一个地方来，总之是训练好的嵌入矩阵。

然后送进RNN模型，到达模型底部后，利用最后一个隐变量，进行soft-max分类，得到结果。

词嵌入除偏

其实机器学习比较诚实，喂给什么，就只会什么，就一定会什么。

如果喂不好的东西，比如涉及到各种歧视的语句，那么输出就不太好，所以要除偏。

多对多模型（Seq to Seq Models）

多对多模型是真正的应用阶段

基础模型

Sutskever I, Vinyals O, Le Q V. Sequence to sequence learning with neural networks[J]. Advances in neural information processing systems, 2014, 27.

Cho K, Van Merriënboer B, Gulcehre C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[J]. arXiv preprint arXiv:1406.1078, 2014.

其实在前面RNN变体中已经说过了，就是encoder-decoder模型，在这里重申一下。

比如一个机器翻译任务，首先把原文输入到encoder，经过循环，最后一步输出一个隐变量a，用这个a作为decoder的第一个a，decoder的第一个x可以选0，此后每一层循环用的x，都直接用上一层循环的输出y，直到输出整句。

Mao J, Xu W, Yang Y, et al. Deep captioning with multimodal recurrent neural networks (m-rnn)[J]. arXiv preprint arXiv:1412.6632, 2014.

Vinyals O, Toshev A, Bengio S, et al. Show and tell: A neural image caption generator[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3156-3164.

Karpathy A, Fei-Fei L. Deep visual-semantic alignments for generating image descriptions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3128-3137.

又比如图片解释任务，encoder不一定要从文本中提取，还可以从图片中提取，比如用AlexNet（去掉soft-max层）作为encoder，这样就可以得到一个长度为n的特征向量，把这个向量丢进decoder就可以得到输出。

实际上，Machine translation的encoder-decoder结构中的decoder，就是一个语言模型，且是一个一对多的序列生成语言模型。

抽象一点，就是条件语言模型。

但是问题在于，输出的是一系列soft-max向量，如何选择最佳的句子成为问题。

一种简单的思路就是每个词只取最大概率的，另一种简单的思路是直接按照概率进行采样。

但是这两种都不是很靠谱，第一种可能有误，第二种基于概率就更不靠谱了。

更大的问题是，你只有确定t-1位置的输出概率分布，才能确定t位置的输出概率分布，所以你想要直接得出概率最大的句子，不太容易。进一步说，搜索空间有 $10000^T$ 这么大，根本搜不完，所以这里反而回归了最优化理论。

$\mathclap{\argmax_{y^{<1>},\cdots,y^{<T>}}P(y^{<1>},\cdots,y^{<T>}|X)}$

比如，假设第一层有AB两个选项，第二层有CD两个选项，第一个词P（A）=0.6，P（B）=0.4，很多人就会选A，但是紧接着第一层选了A以后，P（C|A）=0.5，P（D|A）=0.5，P（C|B）=1，P（D|B）=0.

如果你想当然的选择了A，那么最终结果就是0.6*0.5=0.3，但是如果你先选了B，那么最终结果就可以是0.4*1=0.4，看起来吃亏结果反而概率还更大。

以上的选择思路叫贪心，每次选择最大概率的，这样的问题在于容易陷入局部最优，贪心AC不如不贪心的BC就说明了这种方法的缺陷。

优化算法

Beam Search基本思路

首先确定搜索宽度Beam Width，这里以3举例。

对于 $y^{<1>}$ ，我们从中取三个概率最大的作为束的状态。

下面的符号，注意区分 $y^{<t>}和\hat{y}^{<t>}$ ，虽然前者代表通过输出选择出来的one-hot结果，后者代表一个soft-max向量，是输出本身（此处有待考证，仅仅是我的个人猜想，不排除直接把soft-max向量喂到下一个输入的可能）

此后，分别以这三个状态作为 $y^{<1>}$ ，分别去计算三个 $\hat{y}^{<2>}$ ，由此，这个就代表 $P(y^{<2>}|x,y^{<1>})$ ，进一步可以计算出 $P(y^{<1>},y^{<2>}|x)=P(y^{<1>}|x)P(y^{<2>}|x,y^{<1>})$ ，之后，选择 $P(y^{<1>},y^{<2>}|x)$ 最大的三个 $y^{<1>},y^{<2>}$ 组合作为新的束状态，继续进行递归的计算。

由此可见，这里的局部束搜索仍然和最优化理论中的局部束搜索一样，只不过选择最优束不是通过当前步概率，而是通过联合条件分布 $P(y^{<1>},y^{<2>}|x)$ 来选择。

局部束的开销并不大，束宽为n，则只需要同时维持n个RNN即可。

如果n=1，则局部束搜索退化成贪心搜索。

改进的Beam Search

首先是概率累乘造成的数值下溢问题。

$P(y^{<1>}, \cdots,y^{<T>}|x)=\\ \argmax_y\prod_{t=1}^{T_y}P(y^{<t>}|x,y^{<1>},\cdots,y^{<t-1>})$

既然是比大小，那可以施加一个单调函数，这样也不会影响到最后结果，所以进行log处理，类似于对数最大似然的处理方式，可以将趋于0的值转化为负数之和，有效解决下溢

$P(y^{<1>}, \cdots,y^{<T>}|x)=\\ \argmax_y\sum_{t=1}^{T_y}\log P(y^{<t>}|x,y^{<1>},\cdots,y^{<t-1>})$

前面加了单调函数相当于做了个等效变换，所以还是可以按照累乘分析。

这就引出另一个潜在问题，因为输出的长度不是固定的（直到有EOS才会停止，这也是递归的特征），而每一项概率都是小于0的，所以算法会倾向于选择更短的序列，因为少乘1项，结果肯定概率高。如果从对数角度理解，结果也是一样。

这个时候，只需要对长度进行一个修正即可，自然引出归一化。最简单的归一化就是平均，但是还应该考虑到，有时候简单的翻译确实更好，所以最好取个折中，可以继续叠参数，就是加一个指数 $\alpha$ ，如果指数为1，就是完全平均归一化，如果指数为0，就是完全不归一化，这个指数可以作为超参数调节。

$P(y^{<1>}, \cdots,y^{<T>}|x)=\\ \argmax_y\dfrac{1}{T_y^\alpha}\sum_{t=1}^{T_y}\log P(y^{<t>}|x,y^{<1>},\cdots,y^{<t-1>})$

局部束搜索的误差分析

假设结果不太好，那么有两种可能：

RNN出了问题
Beam Search出了问题

如何以最小的成本定位这两个问题是一个新的问题，毕竟有的大模型跑一次就得几千块。

先针对一个错误样本做判断。

假设 $y^*$ 是人工结果（绝对正确）, $\hat{y}$ 是输出的结果。首先计算 $P(y^*|x),P(\hat{y}|x)$ ，然后比较大小，生成两种情况。

$P(y^*|x)>P(\hat{y}|x)$
理论上Beam Search应该找出最大概率的组合，但是却存在比结果更大更好的组合，说明Beam Search没找好，有优化的空间，比如增大宽度
$P(y^*|x)<P(\hat{y}|x)$
局部束搜索的结果是基于现有RNN架构上，最好的结果，但是很明显结果并不好，所以是RNN这个基础出了问题，指标就没给好，即使是遍历所有可能也无法找出实际上的最优解

很显然，考虑到局部束搜索并不是遍历，存在运气因素，所以一个样本并不能决定整个模型的错误，我们需要找出所有错误样本，判断每个样本错在哪，最后给整个模型的错误定性，比如Beam Search出问题的比例是90%，那大概率就是Beam Search出bug了。

Bleu得分（选修）

如果同时存在很好的翻译，那么该如何在这些翻译中选出最好的呢？

Bleu就是要解决这个问题，在我心目中，最好的翻译应当是信达雅，但是我不是搞这个领域的，就略过了Bleu了。

注意力模型

直观理解

Bahdanau D, Cho K, Bengio Y. Neural machine translation by jointly learning to align and translate[J]. arXiv preprint arXiv:1409.0473, 2014.

前面说到的Bleu评分用于给翻译打分，但是Bleu的对太短与太长的句子表现都不好，尤其是超过20长度以后准确率会快速下降，这是因为一次性翻译长句子本身就很难。

现实中，人翻译长句子都是一截一截翻译的，有了这种机制，就可以保证翻译长句子时的准确率。

具体到架构，前面的encoder没有太多改变，主要是decoder时，增加了一个注意力矩阵。对每一个decoder输出，都要同时参考所有encoder的隐变量，参考的权重就是注意力权重，写作 $\alpha^{<t,t^\prime>}$ ，其中， $t$ 是decoder输出的位置， $t^\prime$ 是参考的encoder位置，后面这两种记法会很常用。

更多的细节将会在后面解释。

注意力模型详解

Xu K, Ba J, Kiros R, et al. Show, attend and tell: Neural image caption generation with visual attention[C]//International conference on machine learning. PMLR, 2015: 2048-2057.

在这里插入图片描述

首先是encoder，实际使用中，encoder通常都是双向RNN，可能使用GRU和LSTM模型。

这样，每一个encoder位置有一正一反两个隐变量。两个隐变量构成这一步的特征向量，写作 $a^{<t^\prime>}$ 。

在decoder阶段，用 $S^{<t>}$ 表示隐变量，这里与前面的架构最为不同。前面的是一对多，用前一个输出作为后一个输入，但是这里还要增加注意力机制，使用 $c^{<t>}$ 作为上下文的输入，decoder实际上已经变成了n对n的类似于词性鉴别的架构了

我对架构有两个不确定的疑问

$S^{<0>}$ 是用零向量还是用encoder的隐变量，如果用隐变量，现在的双向RNN已经没有最后的输出了，所以我更倾向于是零向量
每一步的输入除了 $c^{<t>}$ 貌似还有 $y^{<t-1>}$ ，我并不确定。

现在的架构已经改变，encoder部分是双向RNN，只负责提供隐变量，这些隐变量由注意力矩阵进行采集，构成上下文变量c，供给给decoder部分作为输入，逐层输出。

接下来自上而下说明如何计算c

$c^{<t>}=\sum\limits_{t^\prime}\alpha^{<t,t^\prime>}a^{<t^\prime>}$
c是a的加权平均，权重就是注意力矩阵中的一行
$\sum\limits_{t^\prime}\alpha^{<t,t^\prime>}=1$
很明显，作为权重，必然是要归一化的。
$\alpha^{<t,t^\prime>}=\mathop{softmax}\limits_{t^\prime}(e^{<t,t^\prime>})$
本层的 $\alpha$ 通过本层的e归一化得来
$e^{<t,t^\prime>}=f(s^{<t-1>},a^{<t^\prime>})$
这个f是一层神经网络，需要加入架构中用梯度下降训练。有趣的是，a的权重居然要通过a来计算，但是仔细一想又很合理，注意力自然要从词本身出发，另一个参数S可以理解为，翻译一句话除了从原来句中参考，也可以从已经翻译出来的部分参考。

这就是全部算法，至于具体的维度细节，就没有细究了，这个算法的缺陷在于时间复杂度是 $O(T_x,T_y)$ ，因为实际上是要构建一个注意力矩阵。好在句子一般不长，30个词顶天了，所以复杂度还可以容忍。

这个网络训练下来，会收获一个优秀的注意力权重，以及一个好的计算e的参数。

对输入信息选择性的加权，这种注意力思想可以放到各种领域中，比如图片相关，这也和人的视觉机制相似，人的眼睛视野很大，但是你只会注意直视部分，而不是余光。

至于可解释性，貌似已经有注意力机制可视化做出来了，感觉也不会很难，毕竟权重就摆在那里。

speech recognition

基本知识

语音识别是seq2seq应用的另一个领域，视频识别也是类似。

同图片的卷积，文本的embeddings，声音也需要预处理：将波形图转化为声谱图（spectrogram），横轴是时间，纵轴是频率，某一个点的颜色代表某时间某频率的能量（响度）大小，实际上这种方式也是一种仿生处理。

我感觉，频率相当于embeddings的特征维度，那这个声谱图可以理解为类似embeddings的东西，变成声谱图以后，类似的发音就会有类似的特征向量。

现在的语音识别系统都是end-to-end的，不需要手工预处理数据，以前都是先手工把音频转化为phonemes（音位），比如quick转化为kwik，类似于提取音标。

在语音识别领域，输入的维度要远远大于输出维度，因为采样率如果是100，那一秒钟就有100个帧，但是你一秒钟可能就只说了一个字。

注意力模型

这个就很经典，和翻译一模一样，但是输出是26个英文字母（我感觉用词也可以）

这里可见注意力模型的厉害了，如果没有注意力模型，那么长的输入，效果估计不会太好。

CTC模型

Graves A, Fernández S, Gomez F, et al. Connectionist temporal classification: labelling unsegmented sequence data with recurrent neural networks[C]//Proceedings of the 23rd international conference on Machine learning. 2006: 369-376.

这个模型是n对n的等长模型。

比如一个输出可能是“ttt_h_eee___<空格>__qqq__u__ii___ccc_kkk”

对应的识别就是一个“the quick”，

原理在于，下划线是一种分隔符，用于分割连续重复的字母，这样就可以融合逐帧识别产生的冗余数据了。