《深度学习进阶自然语言处理》第七章：seq2seq介绍

news2025/1/12 12:03:53

文章目录

- - 7.1 seq2seq模型介绍
  - - 7.1.1 seq2seq的原理
    - 7.1.2 时序数据转换简单举例
  - 7.2 seq2seq模型实现
  - 7.3 seq2seq模型改进
  - - 7.3.1 反转输入数据(Reverse)
    - 7.3.2 偷窥(Peeky)
  - 7.4 seq2seq模型的应用
  - 7.5 总结

之前文章链接：

开篇介绍：《深度学习进阶自然语言处理》书籍介绍
第一章：《深度学习进阶自然语言处理》第一章：神经网络的复习
第二章：《深度学习进阶自然语言处理》第二章：自然语言和单词的分布式表示
第三章：《深度学习进阶自然语言处理》第三章：word2vec
第四章：《深度学习进阶自然语言处理》第四章：Embedding层和负采样介绍
第五章：《深度学习进阶自然语言处理》第五章：RNN通俗介绍
第六章：《深度学习进阶自然语言处理》第六章：LSTM介绍
这个世界充满了时序数据。文本数据、音频数据和视频数据都是时序数据。另外，还存在许多需要将一种时序数据转换为另一种时序数据的任务，比如机器翻译、语音识别等。其他的还有进行对话的聊天机器人应用、将源代码转为机器语言的编译器等。

像这样，世界上存在许多输入输出均为时序数据的任务。这一章我们会讨论将时序数据转换为其他时序数据的模型，即 seq2seq 。

seq2seq 是 “(from) sequence to sequence”（从时序到时序）的意思，即将一个时序数据转换为另一个时序数据。本章我们将看到，通过组合两个 RNN，可以轻松实现 seq2seq。seq2seq 可以应用于多个方向，比如机器翻译、聊天机器人和邮件自动回复等。

7.1 seq2seq模型介绍

7.1.1 seq2seq的原理

seq2seq 模型也称为 Encoder-Decoder 模型。顾名思义，这个模型有两个模块——Encoder（编码器）和 Decoder（解码器）。编码器对输入数据进行编码，解码器对被编码的数据进行解码。

现在，我们举一个具体的例子来说明 seq2seq 的机制。这里考虑将日语翻译为英语，如下图：

以上就是 seq2seq 的全貌图。编码器和解码器协作，将一个时序数据转换为另一个时序数据。另外，在这些编码器和解码器内部可以使用 RNN。

下面我们来看一下细节。首先来看编码器，它的层结构如下图：

由上图可以看出，编码器利用 RNN 将时序数据转换为隐藏状态 h。这里的RNN使用的是LSTM，不过也可以使用“简单RNN“或者 GRU等。另外，这里考虑的是将日语句子分割为单词进行输入的情况。

上图的编码器输出的向量h是 LSTM 层的最后一个隐藏状态，其中编码了翻译输入文本所需的信息。这里的重点是，LSTM 的隐藏状态 h是一个固定长度的向量。说到底，编码就是将任意长度的文本转换为一个固定长度的向量。

编码器将文本转换为固定长度的向量。那么，解码器是如何“处理〞这个编码好的向量，从而生成目标文本的呢？

解码器的结构如下图所示，LSTM层会接收向量h,然后预测输出内容。

整体把编码器层和解码器层连接到一起，最终结果如下图所示：

上图中，seq2seq 由两个 LSTM层构成，即编码器的 LSTM 和解码器的 LSTM。此时，LSTM层的隐藏状态是编码器和解码器的“桥梁”。在正向传播时，编码器的编码信息通过LSTM 层的隐藏状态传递给解码器；在反向传播时，解码器的梯度通过这个“桥梁”传递给编码器。

7.1.2 时序数据转换简单举例

接下来我们通过一个简单案例进一步理解seq2seq工作的过程。

首先说明一下案例中要处理的问题。我们将“加法”视为一个时序转换问题。具体来说，在 seq2seq 学习后，如果输人字符串 “57+ 5”，seq2seq 要能正确回答“62”。

7.2 seq2seq模型实现

seq2seq 是组合了两个 RNN 的神经网络。在模型实现中我们首先将这两个 RNN 实现为 Encoder 类和 Decoder 类，然后将这两个类组合起来，实现为 seq2seq 类。该部分代码将不在此处展示，感兴趣的读者可以去书中P291中查看。

Seq2seq 的学习（训俩）和基础神经网络的学习（训练）具有相同的流程。基础神经网络的学习流程如下：

1、从训练数据中选择一个 mini-batch
2、基于 min-batch 计算梯度
3、使用梯度更新权重

此处最终评价指标为：正确率（正确回答了多少问题）。具体来说，就是针对每个 epoch 对正确回答了测试数据中的多少问题进行统计。

对每个epoch进行统计，随着学习的积累，正确率稳步提高。本次的实验只进行了25次，最后的正确率约为 10%。从下图中的变化趋势可知，如果继续学习，正确率应该还会进一步上升。

不过，为了能更好地学习相同的问题（加法问题)，这里我们暂停本次学习，在下一节中将会对 seq2seq 进行一些改进。

7.3 seq2seq模型改进

本节我们对上一节的 seq2seq 进行改进，以改进学习的进展。为了达成该目标，可以使用一些比较有前景的技术。本节我们展示其中的兩个方案，并基于实验确认它们的效果。

7.3.1 反转输入数据(Reverse)

第一个改进方案是非常简单的技巧。反转输人数据的顺序，如下图所示：

记录每个epoch训练结果，仅仅通过反转输入数据，学习的进展就得到了改善！在25个 epoch 时，正确率为 50％左右。再次重复一遍，这里和上一次（图中的 baseline）的差异只是将数据反转了一下。仅仅这样，就产生了这么大的差异。当然，虽然反转数据的效果因任务而异，但是通常都会有好的结果。

为什么反转数据后，学习进展变快，精度提高了呢？虽然理论上不是很清楚，但是直观上可以认为，反转数据后梯度的传播可以更平滑。

7.3.2 偷窥(Peeky)

接下来是 seq2seq 的第二个改进。在进入正题之前，我们再看一下编码器的作用。如前所述，编码器将输入语句转换为固定长度的向量h，这个h 集中了解码器所需的全部信息。也就是说，它是解码器唯一的值息源。但是，如下图所示，当前的 seq2seq 只有最开始时刻的 LSTM层利用了 h。我们能更加充分地利用这个h吗？