详解从 Seq2Seq模型、RNN结构、Encoder-Decoder模型 到 Attention模型

欢迎点击参观我的 ——> 个人学习网站

注：本文的所有模型只涉及自然语言处理领域，同时本文不涉及太多复杂公式推导。

一、Seq2Seq 模型

1. 简介

Sequence-to-sequence (seq2seq) 模型，顾名思义，其输入是一个序列，输出也是一个序列，例如输入是英文句子，输出则是翻译的中文。seq2seq 可以用在很多方面：机器翻译、QA 系统、文档摘要生成、Image Captioning (图片描述生成器)。

2. 基本框架

第一种结构

[参考1]论文中提出的 seq2seq 模型可简单理解为由三部分组成：Encoder、Decoder 和连接两者的 State Vector (中间状态向量) C 。

上图中 Encoder 和 Decoder 可以是一个 RNN ，但通常是其变种 LSTM 或者 GRU 。Encoder 和 Decoder 具体介绍请见第三部分。

第二种结构

该结构是最简单的结构，和第一种结构相似，只是 Decoder 的第一个时刻只用到了 Encoder 最后输出的中间状态变量 ：

应用：

• 在英文翻译中，将英文输入到 Encoder 中，Decoder 输出中文。

  参考1：-原创翻译- 基于RNNEncoder–Decoder的机器翻译L(earning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation)

• 在图像标注中，将图像特征输入到 Encoder 中，Decoder 输出一段文字对图像的描述。

  参考2：-原创翻译- 图像标注生成器 (Show and Tell: A Neural Image Caption Generator)

• 在 QA 系统中，将提出的问题输入 Encoder 中，Decoder 输出对于问题的回答。

……

注：确保你对所有模型都有所了解后再阅读应用后面的参考链接。

二、RNN 结构

1. 为什么在这里提及 RNN 及 RNN 变种？

接下来要介绍的 Encoder-Decoder 模型中，Encoder 和 Decoder 两部分的输入输出可以是文字、图像、语音等等，所以 Encoder 和 Decoder 一般采用 CNN 、RNN 、LSTM 、GRU 等等。这里，我们只介绍经典 RNN 的结构。

如果对 LSTM 感兴趣的话，请参考 -原创翻译- 详解 LSTM（Understanding LSTM Networks）

2. 图解 RNN 结构

RNN 大都用来处理像一串句子、一段语音这种的序列化数据。展开的 RNN 结构图如下：

由图可见，其当前时间 t 的输出依赖两部分：前一时刻的隐层 $h_{t-1}$ 和当前的输入 $x_{t}$ 。

下面主要介绍经典的三种 RNN 结构：

(1) n VS 1

注：圆圈代表给定的输入，箭头代表运算，矩形代表隐层，也就是箭头运算后的结果。其中参数 $W、U、V$ 都是一样的。在自然语言处理问题。$x_{1}$ 可以看做是第一个单词，$x_{2}$ 可以看做是第二个单词…

这种结构可应用于情感分析、文本分类等等。

(2) 1 VS n

下图是把输入当作每个时刻的输入：

这种结构可应用于应用于 Image Caption ，输入是图像的特征矩阵，输出是一段对图像的描述。

(3) n VS n

这种结构可应用于机器翻译等。如果感兴趣，可以参考下面的 文章。作者使用 RNN 实现了根据一个字母推测下一个字母的概率。

参考3：-原创翻译- RNNs的“神奇功效”(The Unreasonable Effectiveness of Recurrent Neural Networks)

(4) n VS m

在机器翻译中，源语言和目标语言的句子序列都是不等长的，而原始的 n VS n 结构都是要求序列等长的。为此，我们有了 n VS m 结构，这种结构又被称为 Encoder-Decoder模型 。具体请见下一部分。

三、Encoder-Decoder 模型

1. 简介

在第二节的第四部分，我们提出了 RNN 的 n VS m 结构：Encoder-Decoder 模型，Encoder-Decoder 模型是深度学习中常见的一种模型。在本文中，我们只简单介绍其在文本-文本的应用，比如将英语翻译成汉语，所以该模型也可以称为 Seq2Seq 模型 。下图为 Encoder-Decoder 模型的抽象图：

2. 分析

1) Encoder

给定句子对

2) Decoder

得到中间语义向量 C 后，使用 Decoder 进行解码。Decoder根据中间状态向量 C 和已经生成的历史信息 y1，y2…yi-1 去生成 t 时刻的单词 yi ：

yi=g(C,y1,y2,