1. 基本模型

所谓的Seq2seq模型从字面上理解很简单，就是由一个序列到另一个序列的过程(比如翻译、语音等方面的应用)：

那么既然是序列模型，就需要搭建一个RNN模型(神经单元可以是GRU模型或者是LSTM模型)

下面两篇文章提出了这样的seq2seq的模型设计，引入了encode和decode机制。

[Sutskever et al.,2014.Sequence to sequence learning with neural networks]
[Cho et al., 2014.Learning phrase representations using RNN encoder-decoder for statistical machine translation]

同样类似的设计方法还有image2sequence

就是根据一张图片来生成文字，效果如下图所示：

那么根据上图中的网络结构可以看出，就是先用一个ALexnet(去掉最后的softmax)的输出作为RNN的输入，进而输出文字。

下面是三篇文章介绍了这个工作。

[Mao et.al.,2014. Deep captioning with multimodal recurrent neural networks]

[[Vinyals et.al.,2014.Show and tell: Neural image caption generator]
[Karpathy and Fei Fei, 2015.Deep visual-semantic alignments for generating image descriptions]

2. 选择最可能的句子

先说一下这个标题的意思，为什么说是“选择最可能的句子”？

因为在翻译的过程中，比如谷歌翻译就是会翻译出3个左右的结果让用户来选择，至于哪一个是最优的结果，算法只能根据概率来推断。因此说是“选择最可能的句子”。

言归正传，机器翻译的模型和我们前面讲到的语言模型有很多相似的地方，同时也有很多重要的区别，下面就来看看有什么地方的异同点。

从下面的模型中可以看出：

语言模型是根据一个零向量作为的输入，然后去预测的结果；
机器翻译的模型是有一个编码器(会生成一系列的向量结果)和译码器组成的，其中译码器就是是语言模型的框架，因此也叫做条件语言模型。

我们以翻译法语到英语的例子为例，说一说什么是“选择最可能的句子”的含义，以及如何选择“最可能”的句子。

如下图所示，X是入门输入的法语，Y是我们需要翻译出来的结果，那么这个结果有很多种。

那么如何选择最优的结果就是算法需要衡量的。

那么根据解码器输出的结果(是一个softmax分类的结果)，假设我们的字典中有10000个，那么最后的输出结果是10个单词左右，如何选择最优的翻译结果呢(不可能是全部的排列组合，这样的计算量是 $10000^{10}$ )？

有一种很容易就可以想到的方法就是，每次选择预测结论更大的，这样最后的概率乘积结果也是最大的（看上图的最后面提到的公式），这样做是否是可行的呢，看下面的例子：

我们从概率的角度上来考虑的话，肯定是第二个翻译的结果的概率成绩是最大的，因为 $\;to \;be|Jane is)$ （在英语中going to be出现的概率是很大的）。

但是从语义结果上来看就发现第一个句子更加简单，那么就出现了我们前面提到的问题——如何选择一个最可能的结果呢？其实有一种近似的搜索算法可以达到比较好的翻译结果，那就是——Beam search。

3. Beam search

不仅仅是考虑第二个单词最大的可能性，还需要考虑第一个单词和第二个单词对的最大可能性(本质上还是利用了贪心的思想)。

第一步

Beam search算法的第一步就是需要定一个Beam width，这个变量是用于确定每一步选择前Beam width个最大的概率的结果。

在下面的步骤中，我们定义Beam width的宽度是3，这就意味着该算法需要考虑前三个可能性。

假设我们有10000个单词，那么第一步就是让decode部分来输出整个词库的可能性，然后选取概率最大的前三个作为结果(假设选择了in,jane,september)，并存入内存中，进行下一步的分析。

第二步

第二步就是需要用到第一步中保存的三个信息，我们要考虑一个联合的概率问题，就是让解码器的第一个输出设定为我们第一步选择的单词，比如当判断单词in的时候，设定 $\tilde y^{<1>}$ =in，效果如下图所示。

那么这次就获得了所有的第一个单词为in的前提下，10000个单词的所有概率结果。同理，剩下的单词也是做同样的处理。

这样就获得了30000个概率，然后再选择概率最大的前三个作为下一步的输入。

第三步

剩下的就是每一步重复添加一个单词，然后输出最后的结果。

当然目前这个算法还是有一些改进的地方的，这里就不阐述了。

4.误差分析

我们在使用Beam search的时候，难免会做误差分析，因为我们想知道预测结果不如意的原因是怎么回事，到底是RNN的结构出了问题还是Beam search算法出了问题需要调参等等。

那么具体来说如何判断呢？

看下面的例子，假设模型输出的结果是 $\hat{y}$ ,人工翻译的结果是 $y^{*}$

可以看出，模型输出的效果不尽如意，因此我们需要做一个误差分析。

具体的工作是这样的，我们将 $\hat{y}$ 和 $y^{*}$ 两个输出序列分别在decode里面做概率的乘积计算，最后发现结果是有两种可能情况的，一种是 $P(\hat{y}|x)>P(y^{*}|x)$ ；另一种结果就是 $P(\hat{y}|x)<P(y^{*}|x)$ 。

那么这两种结果分别是什么意思呢？

那么上图只是一个过程，整个分析过程应该如下图所示：

通过分析整篇文章的句子来得出一个结论表格，通过这个表格来分析出是RNN(简称R)的出错比例大，还是Beam search(简称B)的出错比例大，从而有针对性的解决这个问题。

如何判断一个翻译结果的好坏，其实是有一个叫做BLEU得分的东西来评判的。这里就先不做出阐述。有时间再去看了。https://zhaojichao.blog.csdn.net/article/details/106649367

5. Attention model intuition(直观上)

什么是注意力机制呢？

注意力模型源于[Bahdanau et.al.,2014.Neural machine translation by jointly learning to align and translate]虽然这个模型源于机器翻译，但它也推广到了其他应用领域。吴老师认为在深度学习领域，这个是个非常有影响力的，非常具有开创性的论文。

看下面的这个例子，我们知道，前面一直在说的机器翻译的过程是一个将所有文本记住，然后输出的过程，但是对于人来说并非这样的，也不现实。人翻译的时候是根据自己注意的地方来一点点翻译的，因此注意力机制就是仿照着这样的思想来实现的。

下面就举一个简单的例子来从直观上理解Attention机制的工作过程。

还是一个法语的句子，这里先使用一个双向RNN(Bidirectional RNN)来作为生成法语单词的特征集。

我们要对单词做的就是，对于句子里的每五个单词，计算一个句子中单词的特征集，也有可能是周围的词，让我们试试，生成英文翻译。

我们将使用另一个RNN生成英文翻译，这是我平时用的RNN记号。不用 A 来表示感知机（the activation），这是为了避免和这里的感知机（the activations）混淆。会用另一个不同的记号，我会用 S来表示RNN的隐藏状态（the hidden state in this RNN），不用 $A ^{< 1 >}$ ，而是用 $ S^{<1>}$

我们希望在这个模型里第一个生成的单词将会是Jane，为了生成Jane visits Africa in September。于是等式就是，当你尝试生成第一个词，即输出，那么我们应该看输入的法语句子的哪个部分？似乎你应该先看第一个单词，或者它附近的词。但是你别看太远了，比如说看到句尾去了。

所以注意力模型就会计算注意力权重（a set of attention weights）：

我们将用 $a^{<1,1>}$ 来表示当你生成第一个词时(或者说在第1步的时候)你应该放多少注意力在这个第一块信息处。
$a^{<1,2>}$ 它告诉我们当你尝试去计算第一个词Jane时，我们应该花多少注意力在输入的第二个词上面.
同理 $a^{<1,3>}$ 就是预测第一个单词的是，应该在第3个单词上投放多少注意力。

RNN的第二步，我们将有一个新的隐藏状态 $S^{<2>}$ ，我们也会用一个新的注意力权值集(a new set of the attention weights),我们将用 $a^{<2,1>}$ 来告诉我们在生成第二个词, 应该花多少注意力在输入的第一个法语词上。然后同理 $a^{<2,2>}$ 也是跟第一步中讨论的一样。接下去也同理。

不过和第一步不同的地方就是，我们需要将第一步的结果作为输入传给隐藏状态 $S^{<2>}$ 。

这一节主要是说了关于注意力模型的一些直观的东西。我们现在可能对算法的运行有了大概的感觉，下一节将会说一些细节的东西。

注意：上面图中这样的双层图，其实就是encode和decode的变形，只不过没有那样画出来罢了，如果按照下图中这样来画，那么就更好理解了。

注意力模型可以看作一种通用的思想，本身并不依赖于特定框架，这点需要注意。

比如如果Source是中文句子，Target是英文句子，那么这就是解决机器翻译问题的Encoder-Decoder框架；如果Source是一篇文章，Target是概括性的几句描述语句，那么这是文本摘要的Encoder-Decoder框架；如果Source是一句问句，Target是一句回答，那么这是问答系统或者对话机器人的Encoder-Decoder框架。由此可见，在文本处理领域，Encoder-Decoder的应用领域相当广泛。

Encoder-Decoder框架不仅仅在文本领域广泛使用，在语音识别、图像处理等领域也经常使用。比如对于语音识别来说，图2所示的框架完全适用，区别无非是Encoder部分的输入是语音流，输出是对应的文本信息；而对于“图像描述”任务来说，Encoder部分的输入是一副图片，Decoder的输出是能够描述图片语义内容的一句描述语。一般而言，文本处理和语音识别的Encoder部分通常采用RNN模型，图像处理的Encoder一般采用CNN模型。

6. Attention model detail(细节上)

我们还是回归到下面的这个图上：

对这个图再做一些细致化的符号说明：

$t^{'}$ 表示输入语句中第t个词；
$a^{<t'>}=( \overrightarrow{a}^{<t'>} , \overleftarrow{a}^{<t'>})$ 表示第t个输入词的前向传播的激活值和后向传播的激活值的特征值；
$\alpha^{<t,t'>}$ 表示第t‘个输入词在第t个时间步数(第t个输出词)的权重值，其中 $\sum_{t'}\alpha^{<t,t'>}=1$ ;
C表示隐藏层的输入的上下文，其中 $C^{<1>}=\sum_{t'}\alpha ^{<t,t'>}a^{<t'>}$ ;