seq2seq 入门
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了seq2seq 入门相关的知识,希望对你有一定的参考价值。
参考技术A本文结构:
seq2seq 是一个 Encoder–Decoder 结构 的网络,它的输入是一个序列,输出也是一个序列, Encoder 中将一个可变长度的信号序列变为固定长度的向量表达,Decoder 将这个固定长度的向量变成可变长度的目标的信号序列。
这个结构 最重要的地方 在于输入序列和输出序列的长度是可变的,可以用于翻译,聊天机器人,句法分析,文本摘要等。
下面是写过的 seq2seq 的应用:
RNN与机器翻译
http://www.jianshu.com/p/23b46605857e
如何自动生成文本摘要
http://www.jianshu.com/p/abc7e13abc21
自己动手写个聊天机器人吧
http://www.jianshu.com/p/d0f4a751012b
Cho 在 2014 年提出了 Encoder–Decoder 结构 ,即由两个 RNN 组成,
https://arxiv.org/pdf/1406.1078.pdf
(其中的 RNNCell 可以用 RNN ,GRU,LSTM 等结构)
在每个时刻, Encoder 中输入一个字/词,隐藏层就会根据这个公式而改变,
到最后一个字/词 XT 时 ,隐藏层输出 c ,因为 RNN 的特点就是把前面每一步的输入信息都考虑进来了,所以 c 相当于把整个句子的信息都包含了 ,可以看成整个句子的一个语义表示。
Decoder 在 t 时刻 的隐藏层状态 ht 由 ht−1,yt−1,c 决定:
yt 是由 ht,yt−1,c 决定:
f 和 g 都是激活函数,其中 g 函数一般是 softmax。
模型最终是要最大化下面这个对数似然条件概率:
其中每个 (xn, yn) 表示一对输入输出的序列, θ 为模型的参数。
Sutskever 在 2014 年也发表了论文:
https://arxiv.org/pdf/1409.3215.pdf
这个模型结构更简单,
因为 Decoder 在 t 时刻 yt 是由 ht,yt−1 决定,而没有 c:
论文中的 Encoder 和 Decoder 都用的 LSTM 结构 ,注意每句话的末尾要有 “<EOS>” 标志。 Encoder 最后一个时刻的状态 [cXT,hXT] 就和第一篇论文中说的中间语义向量 c 一样,它将作为 Decoder 的初始状态,在 Decoder 中,每个时刻的输出会作为下一个时刻的输入,直到 Decoder 在某个时刻预测输出特殊符号 <END> 结束。
LSTM 的目的是估计条件概率 p(y1, . . . , yT′ |x1, . . . , xT ) ,
它先通过最后一个隐藏层获得输入序列 (x1, . . . , xT ) 的固定长度的向量表达 v,
然后用 LSTM-LM 公式计算输出序列 y1, . . . , yT′ 的概率,
在这个公式中,初始状态就是 v,
而且用了 4 层的 LSTM,而不是一层: 论文中的实验结果表明深层的要比单层的效果好
下面是个 3 层的例子
计算公式如下:
为了便于理解,单层的表示如下:
并且对输入序列做了一个翻转 ,即不是把 a, b, c 映射到 α, β, γ, 而是把 c, b, a 映射到 α, β, γ, 这样的结果是相应的 a 会更接近 α,并且更利于 SGD 建立输入输出间的关系。
参考:
Learning Phrase Representations using RNN Encoder–Decoder
for Statistical Machine Translation
https://arxiv.org/pdf/1406.1078.pdf
Sequence to Sequence Learning
with Neural Networks
https://arxiv.org/pdf/1409.3215.pdf
Generating Sequences With
Recurrent Neural Networks
https://arxiv.org/pdf/1308.0850.pdf
推荐阅读 历史技术博文链接汇总
http://www.jianshu.com/p/28f02bb59fe5
也许可以找到你想要的
数列分块入门9 解题报告
占坑QAQ
数列分块系列目录
数列分块入门9 <-
以上是关于seq2seq 入门的主要内容,如果未能解决你的问题,请参考以下文章