机器翻译注意力机制及其PyTorch实现

Posted 2022-01-30 jfdwd

前面阐述注意力理论知识，后面简单描述PyTorch利用注意力实现机器翻译

Effective Approaches to Attention-based Neural Machine Translation

简介

Attention介绍

在翻译的时候，选择性的选择一些重要信息。详情看这篇文章 。

本着简单和有效的原则，本论文提出了两种注意力机制。

Global

每次翻译时，都选择关注所有的单词。和Bahdanau的方式 有点相似，但是更简单些。简单原理介绍。

Local

每次翻译时，只选择关注一部分的单词。介于soft和hard注意力之间。(soft和hard见别的论文)。

优点有下面几个

• 比Global和Soft更好计算
• 局部注意力 随处可见、可微，更好实现和训练。

应用范围

在训练神经网络的时候，注意力机制应用十分广泛。让模型在不同的形式之间，学习对齐等等。有下面一些领域：

• 机器翻译
• 语音识别
• 图片描述
• between image objects and agent actions in the dynamic control problem (不懂，以后再说吧)

神经机器翻译

思想

输入句子$\mathrm{x=(x1,x2,?,xn)x=(x1,x2,?,xn) ，输出目标句子y=(y1,y2,?,ym)y=(y1,y2,?,ym) 。}$

神经机器翻译(Neural machine translation, NMT)，利用神经网络，直接对$\mathrm{p(y\mid x)p(y\mid x) 进行建模。一般由Encoder和Decoder构成。Encoder-Decoder介绍文章链接 。}$

Encoder把输入句子$\mathrm{xx 编码成一个语义向量ss (c表示也可以)，然后由Decoder\; 一个一个产生目标单词 yiyilogp(y\mid x)=m\sum j=1logp(yj\mid y<j,s)=m\sum j=1logp(yj\mid y1,?,yj-1,s)log?p(y\mid x)=\sum j=1mlog?p(yj\mid y<j,s)=\sum j=1mlog?p(yj\mid y1,?,yj-1,s)但是怎么选择Encoder和Decoder（RNN,\; CNN,\; GRU,\; LSTM），怎么去生成语义ss却有很多选择。}$

概率计算

结合Decoder上一时刻的隐状态${\mathrm{hj-1hj-1和encoder给的语义向量ss，通过函数ff ，就可以计算出当前的隐状态hjhj ：hj=f(hj-1,s)hj=f(hj-1,s)通过函数gg对当前隐状态hjhj进行转换，再softmax，就可以得到翻译的目标单词yiyi了（选概率最大的那个）。}}^{}$

$\mathrm{gg一般是线性变换，维数变化是[1,h]\to [1,vocab\_size][1,h]\to [1,vocab\_size]。p(yj\mid y<j,s)=softmaxg(hj)p(yj\mid y<j,s)=softmaxg(hj)语义向量ss? 会贯穿整个翻译的过程，每一步翻译都会使用到语义向量的内容，这就是注意力机制。}$

本论文的模型

本论文采用stack LSTM的构建NMT系统。如下所示：

训练目标是$${\mathrm{Jt=\sum (x,y)-logp(y\mid x)Jt=\sum (x,y)-log?p(y\mid x)}}^{}$$

注意力模型

注意力模型广义上分为global和local。Global的attention来自于整个序列，而local的只来自于序列的一部分。

解码总体流程

Decoder时，在时刻$\mathrm{tt，要翻译出单词ytyt ，如下步骤：}$

• 最顶层LSTM的隐状态 ${\mathrm{htht}}^{}$
• 计算带有原句子信息语义向量${\mathrm{ctct。Global和Local的区别在于ctct的计算方式不同}}^{}$
• 串联${\mathrm{ht,ctht,ct，计算得到带有注意力的隐状态 ^ht=tanh(Wc[ct;ht])h^t=tanh?(Wc[ct;ht])}}^{}$
• 通过注意力隐状态得到预测概率 $\mathrm{p(yt\mid y<t,x)=softmax(Ws^ht)p(yt\mid y<t,x)=softmax(Wsh^t)}$

Global Attention

总体思路

在计算${\mathrm{ctct 的时候，会考虑整个encoder的隐状态。Decoder当前隐状态htht，\; Encoder时刻s的隐状态¯hsh¯s。}}^{}$

对齐向量${\mathrm{\alpha t\alpha t代表时刻tt 输入序列中的单词对当前单词ytyt 的对齐概率，长度是TxTx，\; 随着输入句子的长度而改变\; 。xsxs与ytyt 的对齐概率如下：\alpha t(s)=align(ht,¯hs)=score(ht,¯hs)\sum Txi=1score(ht,¯hi),实际上softmax\alpha t(s)=align(ht,h¯s)=score(ht,h¯s)\sum i=1Txscore(ht,h¯i),实际上softmax结合上面的解码总体流程，有下面的流程all(¯hs),ht\to \alpha t\to ct.ct,ht\to ^ht.^ht\to ytall(h¯s),ht\to \alpha t\to ct.ct,ht\to h^t.h^t\to yt简单来说是ht\to \alpha t\to ct\to ^ht\to ytht\to \alpha t\to ct\to h^t\to yt 。}}^{}$

score计算

生成每个目标单词的时候，都必须注意所有的原单词， 这样计算量很大，翻译长序列可能很难，比如段落或者文章。

Local Attention

在生成目标单词的时候，Local会选择性地关注一小部分原单词去计算${\mathrm{\alpha t,ct\alpha t,ct，这样就解决了Global的问题。如下图}}^{}$

Soft和Hard注意

Soft 注意 ：类似global注意，权值会放在图片的所有patches中。计算复杂。

Hard 注意： 不同时刻，会选择不同的patch。虽然计算少，但是non-differentiable，并且需要复杂的技术去训练模型，比如方差减少和强化学习。

Local注意

类似于滑动窗口，计算一个对齐位置${\mathrm{ptpt，根据经验设置窗口大小DD，那么需要注意的源单词序列是\; ：[pt-D,pt+D][pt-D,pt+D]\alpha t\alpha t 的长度就是2D2D，只需要选择这2D2D个单词进行注意力计算，而不是Global的整个序列。}}^{}$

对齐位置选择

对齐位置的选择就很重要，主要有两种办法。

local-m (monotonic) 设置位置， 即以当前单词位置作为对齐位置$${\mathrm{pt=tpt=tlocal-p\; (predictive)\; 预测位置}}^{}$$

$\mathrm{SS 是输入句子的长度，预测对齐位置如下pt=S\cdot sigmoid(vTptanh(Wpht)),pt\in [0,S]pt=S\cdot sigmoid(vpTtanh?(Wpht)),pt\in [0,S]对齐向量计算}$

${\mathrm{\alpha t\alpha t的长度就是2D2D，对于每一个s\in [pt-D,pt+D]s\in [pt-D,pt+D]，\; 为了更好地对齐，添加一个正态分布N(\mu ,\sigma 2)N(\mu ,\sigma 2)，其中 \mu =pt,\sigma =D2\mu =pt,\sigma =D2。}}^{}$

计算对齐概率：$${\mathrm{\alpha t(s)=align(ht,¯hs)exp(-(s-\mu )22\sigma 2)=align(ht,¯hs)exp(-2(s-pt)2D2)\alpha t(s)=align(ht,h¯s)exp?(-(s-\mu )22\sigma 2)=align(ht,h¯s)exp?(-2(s-pt)2D2)}}^{}$$

Input-feeding

前面的Global和Local两种方式中，在每一步的时候，计算每一个attention (实际上是指 ${\stackrel{}{}}^{}$

在每一步的计算中，这些attention应该有所关联，当前知道之前的attention才对。实际是应该有个coverage set去追踪之前的信息。

我们会把当前的注意${\stackrel{}{}}^{}$

这样有两重意义：

• 模型会知道之前的对齐选择
• 会建立一个水平和垂直都很深的网络

PyTorch实现机器翻译

机器翻译github源代码

计算输入语义

比较简单，使用GRU进行编码，使用outputs作为哥哥句子的编码语义。PyTorch RNN处理变长序列

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

def forward(self, input_seqs, input_lengths, hidden=None): ‘‘‘ 对输入的多个句子经过GRU计算出语义信息 1. input_seqs > embeded 2. embeded - packed > GRU > outputs - pad -output Args: input_seqs: [s, b] input_lengths: list[int]，每个batch句子的真实长度 Returns: outputs: [s, b, h] hidden: [n_layer, b, h] ‘‘‘ # 一次运行，多个batch，多个序列 embedded = self.embedding(input_seqs) packed = nn.utils.rnn.pack_padded_sequence(embedded, input_lengths) outputs, hidden = self.gru(packed, hidden) outputs, output_length = nn.utils.rnn.pad_packed_sequence(outputs) # 双向，两个outputs求和 if self.bidir is True: outputs = outputs[:, :, :self.hidden_size] + outputs[:, :, self.hidden_size:] return outputs, hidden

计算对齐向量

实际上就是attn_weights， 也就是输入序列对当前要预测的单词的一个注意力分配。

输入输出定义

Encoder的输出，所有语义$\mathrm{cc，encoder\_outputs， [is,\; b,\; h]。 is=input\_seq\_len是输入句子的长度}$

当前时刻Decoder的${\mathrm{htht， decoder\_rnn\_output， [ts,\; b,\; h] 。实际上ts=1，\; 因为每次解码一个单词}}^{}$

1 2 3 4 5 6 7 8

def forward(self, rnn_outputs, encoder_outputs): ‘‘‘ts个时刻，计算ts个与is的对齐向量，也是注意力权值 Args: rnn_outputs -- Decoder中GRU的输出[ts, b, h] encoder_outputs -- Encoder的最后的输出, [is, b, h] Returns: attn_weights -- Yt与所有Xs的注意力权值，[b, ts, is] ‘‘‘

计算得分

使用gerneral的方式，先过神经网络(线性层)，再乘法计算得分

1 2 3 4

# 过Linear层 (b, h, is) encoder_outputs = self.attn(encoder_outputs).transpose(1, 2) # [b,ts,is] < [b,ts,h] * [b,h,is] attn_energies = rnn_outputs.bmm(encoder_outputs)

softmax计算对齐向量

每一行都是原语义对于某个单词的注意力分配权值向量。对齐向量实际例子

1 2 3

# [b,ts,is] attn_weights = my_log_softmax(attn_energies) return attn_weights

计算新的语义

新的语义也就是，对于翻译单词${\mathrm{wtwt所需要的带注意力的语义。}}^{}$

输入输出

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

def forward(self, input_seqs, last_hidden, encoder_outputs): ‘‘‘ 一次输入(ts, b)，b个句子, ts=target_seq_len 1. input > embedded 2. embedded, last_hidden --GRU-- rnn_output, hidden 3. rnn_output, encoder_outpus --Attn-- attn_weights 4. attn_weights, encoder_outputs --相乘-- context 5. rnn_output, context --变换,tanh,变换-- output Args: input_seqs: [ts, b] batch个上一时刻的输出的单词，id表示。每个batch1个单词 last_hidden: [n_layers, b, h] encoder_outputs: [is, b, h] Returns: output: 最终的输出，[ts, b, o] hidden: GRU的隐状态，[nl, b, h] attn_weights: 对齐向量，[b, ts, is] ‘‘‘

当前时刻Decoder的隐状态

输入上一时刻的单词和隐状态，通过GRU，计算当前的隐状态。实际上ts=1

1 2	# (ts, b, h), (nl, b, h) rnn_output, hidden = self.gru(embedded, last_hidden)

计算对齐向量

当前时刻的隐状态 rnn_output 和源句子的语义encoder_outputs，计算对齐向量。对齐向量

每一行都是原句子对当前单词(只有一行)的注意力分配。

1 2 3 4

# 对齐向量 [b,ts,is] attn_weights = self.attn(rnn_output, encoder_outputs) # 如 [0.1, 0.2, 0.7]

计算新的语义

原语义和原语义对当前单词分配的注意力，计算当前需要的新语义。

1 2 3

# 新的语义 # [b,ts,h] < [b,ts,is] * [b,is,h] context = attn_weights.bmm(encoder_outputs.transpose(0, 1))

预测当前单词

结合新语义和当前隐状态预测新单词

1 2 3 4 5 6 7 8 9

# 语义和当前隐状态结合 [ts, b, 2h] < [ts, b, h], [ts, b, h] output_context = torch.cat((rnn_output, context), 2) # [ts, b, h] 线性层2h-h output_context = self.concat(output_context) concat_output = F.tanh(output_context) # [ts, b, o] 线性层h-o output = self.out(concat_output) output = my_log_softmax(output) return output

总结

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

# 1. 对齐向量 # 过Linear层 (b, h, is) encoder_outputs = self.attn(encoder_outputs).transpose(1, 2) # 关联矩阵 [b,ts,is] < [b,ts,h] * [b,h,is] attn_energies = rnn_outputs.bmm(encoder_outputs) # 每一行求softmax [b,ts,is] ‘‘‘每一行都是原语义对当前单词的注意力分配向量‘‘‘ attn_weights = my_log_softmax(attn_energies) # 2. 新语义 # 新的语义 [b,ts,h] < [b,ts,is] * [b,is,h] context = attn_weights.bmm(encoder_outputs.transpose(0, 1)) # 3. 新语义和当前隐状态结合，输出 # 语义和输出 [ts, b, 2h] < [ts, b, h], [ts, b, h] output_context = torch.cat((rnn_output, context), 2)