端到端语音识别（三） Sequence to Sequence and Attention

History

encoder-decoder

2014年Kyunghyun Cho[1]提出了RNN Encoder-Decoder的网络结构，主要用在翻译上面。
encoder将变长的输入序列映射到一个固定长度的向量，decoder将该向量进一步映射到另外一个变长的输出序列，网络结构如下图：

encoder:
$${\mathbf{h}}_{⟨t⟩}=f({\mathbf{h}}_{⟨t-1⟩},x_t)$$
decoder:
$${\mathbf{h}}_{⟨t⟩}=f({\mathbf{h}}_{⟨t-1⟩},y_{t-1},c)$$
$$P(y_t|y_{t-1},...,y_1,c)=g({\mathbf{h}}_{⟨t⟩},y_{t-1},c)$$
其中$c$是encoder最后时刻的$h$，$f()$是类似于简化版的LSTM单元，具有reset gate和update gate，以实现捕捉short-term和long-term的依赖性。

sequence to sequence

2014年google的Ilya Sutskever[2]等人提出了sequence to sequence的学习方法来解决英文到法文的翻译问题，整体框架如下

相比于[1]，主要是网络使用LSTM，并且将输入序列进行翻转，解决了长序列性能下降的问题。

attention

Graves[3]在2013首先在handwriting synthesis中引入attention的机制，和简单的sequence generation不同，在预测的时候，还通过soft window使用了额外的输入信息。在动态产生预测的同时，也确定了text和pen locations之间的对齐关系。
Dzmitry Bahdanau[4]将[1]中的decoder的$c$替换为了$c_i$，即不同时刻i的输出概率的计算不再使用相同的$c$。

其中$c_i$的计算依赖于输入的annotations$(h_1,...,h_{T_x})$，计算公式如下：
$$c_i=\sum _{j=1}^{T_x}{\alpha }_{ij}{h}_j$$
$${\alpha }_{ij}=\frac{exp(e_{ij})}{{\sum }_{k=1}^{T_x}exp(e_{ik})}$$
$$e_{ij}=a(s_{i-1},h_j)$$
其中$a()$使用前向神经网络来表示，和encoder-decoder一起训练，也就是在学习translate的同时还需要学习alignment。
${\alpha }_{ij}$表示输出$y_i$对齐到$x_j$的概率，相当于引入了attention的机制，这在一定程度上减轻了encoder的压力，因为之前encoder需要把所有的输入信息映射到一个固定的向量$c$。

Speech Application

phoneme recognition

2014年.Jan Chorowski[5]将encoder-decoder和attention的网络结构应用到语音中的phoneme识别上面。[3]中的attention在权重分布的时候有可能将较大的权重分配到比较远的输入上面，从而达到long-distance word reordering的效果。文中对attention的分布进行了一定的限制，保证输出附近对应的输入的权重比较大，而且权重的分布随着时间往后移动，即单调性。主要有两点改进：
1.修改attention的计算方法，引入$d()$来学习权重的向后移动过程

2.在loss里面增加惩罚项，We penalize any alignment that maps to inputs which were already considered for output emission

2015年.Jan Chorowski[6]在[5]的基础上进行了改进，在使用上一时刻的alignment的时候直接进行Convolution，修改softmax函数突出重点帧的影响，同时不再使用整个序列的$h$，只采用特定窗口范围内的$h$。

speech recognition

[5][6]主要将attention和encoder-decoder的网络用在了phoneme的识别上面，2016年Dzmitry Bahdanau[7]进一步将其应用到LVCSR，输出为character，然后结合语言模型进行解码。文中提出了pooling的方法为了解决输入长度过长带来的计算复杂的问题。

在不使用外部语言模型的情况下，比ctc方法性能有较大提升，主要得益于encoder-decoder的框架隐式的学习character之间的关系，而CTC当前时刻的输出跟上一时刻的输出是独立的，因此无法刻画输出character之间的关系
[8]和[7]类似，也是输出到character，使用了pooling的思想使用了pyramid BLSTM网络结构来来解决输入序列过长训练困难的问题。

Reference

[1]. Cho, K., van Merrienboer, B., Gulcehre, C., Bougares, F., Schwenk, H., and Bengio, Y. (2014a). Learning phrase representations using RNN encoder-decoder for statistical machine translation. In Proceedings of the Empiricial Methods in Natural Language Processing (EMNLP 2014).
[2].Sutskever, I., Vinyals, O., and Le, Q. (2014). Sequence to sequence learning with neural networks. In Advances in Neural Information Processing Systems (NIPS 2014).
[3].Graves, A. (2013). Generating sequences with recurrent neural networks. arXiv:1308.0850 [cs].
[4].D. Bahdanau, K. Cho, and Y. Bengio, “Neural machine translation by jointly learning to align and translate,” in ICLR, 2015.
[5].Jan Chorowski, Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio. End-to-end continuous speech recognition using attention-based recurrent NN: First results. arXiv:1412.1602 [cs, stat], December 2014.
[6].Chorowski, Jan K, Bahdanau, Dzmitry, Serdyuk, Dmitriy, Cho, Kyunghyun, and Bengio, Yoshua. Attention-based models for speech recognition. In Advances in Neural Information Processing Systems, pp. 577–585, 2015.
[7].D. Bahdanau, J. Chorowski, D. Serdyuk, P. Brakel, and Y. Bengio. End-to-end attention-based large vocabulary speech recognition. In 2016 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 4945–4949, March 2016. doi: 10.1109/ICASSP.2016.7472618.
[8].William Chan, Navdeep Jaitly, Quoc V Le, and Oriol Vinyals. Listen, attend and spell. arXiv preprint arXiv:1508.01211, 2015.

后面的技术分享转移到微信公众号上面更新了，【欢迎扫码关注交流】