今天应上篇文章里面说的来写seq2seq和attention。但是这周琢磨了一下，现在写的这些东西只是在总结原理，好像除了回顾理论知识之外，并没其他技术上的提升。所以现在改变策略，尽量在总结技术的同时，做一个小demo。（等原理总结完了，之后想写一个深度学习从零单排系列，敬请期待。）
RNN的变种形式
seq2seq是2014年是Google Brain团队和Yoshua Bengio巨神带领的团队提出来的，主要用于机器翻译领域，也正是seq2seq，将机器翻译提高到了一个新的高度，而attention机制，让机器翻译完成了进化。
seq2seq是什么呢，其实就是一个RNN的变种，如下图：
rnn的几种模式
上图表达的意思是rnn的几种模式（n个输入对应个输出）：
- one to one：应用到的有图像分类，输入一个图像输出一个类别；
- one to many：图像理解（看图说话），输入一句描述图像的句子；
- many to one：文本分类；
- 5都是many to many，但是输入和输出结构是不一样的。5主要是用在文本标注，实体识别，而4就是今天的主角，主要应该在机器翻译，文本生成等领域
seq2seq
seq2seq可以理解为是一个翻译模型，把一个语言序列翻译成另一种语言序列。这里从而引入Encoder-Decoder的概念（seq2seq就是Encoder-Decoder的一种）。
Encoder-Decoder
上图就是一个最简单的Encoder-Decoder模型。
举个例子，我们需要将“我想打篮球”翻译成英文（I want to play basketball），这个在模型里是怎么运行的呢。
Encoder其实是一个RNN，输入x1（我），然后rnn中的h1（隐藏层状态）输入到x2（想）的状态，最后xT（篮球）的输出是最后时刻的隐藏层状态，输入到Decoder中。
Decoder也是一个RNN，只是它把Encoder中最后一个时刻的输入hT输入到这个RNN中（也还有不输入的形式），注意这里的第一个输入一个空字符<Nr>，表示句子的开头，第一个输出是I，第二个输入是I，输出是want，依此往后。
seq2seq存在的问题
其实对于这种encoder和decoder的模型，有一个问题是：起始的时间序列被编码转化成语义向量c，之后再被解码，那么一开始的信息经过长时间的从左往右传播已经丢失了很多，而最后编码的信息也是在最后解码，因此seq2seq的一个trick是，对输入的序列编码时，使用倒序输入，也就是原始的输入顺序为”A B C”的，那么新的方式编码的输入方式为 “C B A” ，这样A编码成c之后，就会马上进行解码，这样丢失的信息就没有之前那么多，经过这样的处理之后，取得了很大的提升，而且这样处理使得模型能够很好的处理长句子。
上面的方法虽然有一定的改善，但是对于输入词C来讲，信息丢失的依旧很厉害，因此未来解决这一缺点，attention机制应运而生（文章是《attention is all you need》）。在上面的模型结构中，每次预测都是从语义向量c中进行信息提取，在含有注意力机制的模型结构中，除了对最后的语义向量进行提取信息，还会对每一时刻的ht输出的结果进行信息的提取，这样Encoder过程中的隐藏状态都被利用上了。
attention机制以后再讲，我们来看点有意思的。
seq2seq的应用
除了机器翻译，seq2seq有一些有意思的落地。比如说，我们现在打电话到海底捞预定，一般情况下接电话的女声，其实是一个机器人来帮你预定，听起来还是比较智能的。这里就用到了seq2seq，但是涉及到语音处理。
华为自动回复微博成果
还有一个应用，今天的重头戏，基于语料生成文本。
本来打算自己写，结构都很简单，语聊也有，但是处理起来很麻烦，所以直接down了github上一群中科院的小哥写的文章Chinese Poetry Generation with Planning based Neural Network，这篇文章用了attention。实现的地址是https://github.com/DevinZ1993/Chinese-Poetry-Generation。
语料有唐诗宋词元曲，总共28000首，输入4个关键词，生成与关键词最相关的4个句子。这里我是随机输入的关键词，看下效果：
Keywords: 不觉 一曲 伤 诏
Poem generated:
豆千门年相归水
城日天城画新为
不尘时家与雨庭
犹问到使饿杨烟
Keywords: 静 行人 江上 夕阳
Poem generated:
垂遥杀王百旧连
花风若转哭亭翁
欲百洞微主雏桐
弹香异知泪樊鼎
虽然不知道在讲什么，但是平仄有些还是可以压上的。
好了，这次就到这里，下次attention。
网友评论