基于Attention的Seq2Seq

前言

昨天有位大神在CSDN上发表了一篇题为BERT通俗笔记：从Word2Vec/Transformer逐步理解到BERT 的文章，仔细阅读前两章后，可谓是受益匪浅。但是在研读时，由于自身对NLP相关知识有所缺乏，使我对一些基础概念不甚理解（尽管作者的描述已经特别简单易懂~）。其中Attention便是其中之一，在此之前，我一直以为在Seq2Seq之后便是Self-attention（相关介绍见自注意机制(Self-attention)）这一伟大的发明。查阅相关文献后才了解到，由于Seq2Seq对于长句子具有遗忘性，在2015年ICLR会议上Bahdanau，Cho等人提出了Attention机制以解决这个问题，而Self-attention是在2016年提出的。本文主要结合B站UP主ShusenWang的所讲的关于RNN模型与NLP应用的相关内容和自己的理解构成。

1. 回顾Seq2Seq

Seq2Seq是基于RNN和LSTM的Encoder-Decoder结构的网络，它在很多领域都取得了巨大的成功，比如机器翻译，语音识别，文本摘要等。它输入是一个序列，其输出也是一个序列。在Encoder中，将序列转换成一个固定长度的向量，然后通过Decoder将该向量转换成我们想要的序列输出出来，基本结构如下：在这里插入图片描述但是这种模型在解码时只有最后一个状态向量传递给解码器，即Encoder的最后一个状态，如下图所示，由于其余位置的状态并没有直接参与后续的解码任务，这冥冥之中导致了一些信息的丢失，特别是在处理长对话时，仅仅依靠最后一个状态难以记住语句所有的信息。在这里插入图片描述下图是单词量和BLEU（双语互译质量评估辅助工具）的关系（挖坑！关于BLEU这些评价指标，后面我将通过一个文章进行总结）。从图可以看出，当单词量大于20后，不带有Attention的Seq2Seq模型的BLEU值出现了明显下降；相反带有Attention的Seq2Seq模型的BLEU值并没有下降，这说明了Attention记住的关键了信息，并实现了较好的状态解码。在这里插入图片描述

2. 基于Attention的Seq2Seq

2.1 相关性计算

本小节也采用和视频RNN模型与NLP应用一致的描述方式，对Seq2Seq model for attention做出解释。在上一小节已经说过，Seq2Seq的Eecoder输出的是最后一个状态，这也是Decoder的第一个输入，我们利用来表示。而基于attention的方法最大的一个特点就是，在进行Decoder时，不仅考虑的Eecoder最后一个状态，也考虑之前每个的输入单词产生的状态，即、、。。。等，如下图所示。原始作者引入了一个权重参数来表示和Decoder输入状态的相关性。我们将Eecoder的任意输出状态与Decoder的第一个输入状态的相关性记为：

在这里插入图片描述接下来就是的学习，这里提供了两种方法，第一个是原始论文的计算方法，第二个是一种更为流行的计算方法，也广泛应用于Transformer模型当中。

第一种包含两个可学习的参数和，主要做法如下所示：
第二种做法主要过程如下，也有两个需要学习参数矩阵和。至此，我们可以得到m个权重，它对应了m个Eecoder的输出状态、、。。。，我们将这m个权重与m个进行加权求和，得到上下文向量（context vetor）。其实这种操作是不难理解的，简单讲，每一个都表示与的相关性，较大的值表明与对应的状态和相关性较大，反之较小，我们求他们的加权平均和，自然使得重要的地方更突出，不重要的地方就不突出。

2.2 Eecoder过程

现在开始介绍Eecoder的过程，这里我们将按照第一次输入，第二次输入，。。。，分步进行介绍~。首先是第一步。

One step。在原始的Seq2Seq中，我们的输入有和，如下图所示，

在这里插入图片描述而基于Attention的Seq2Seq的Eecoder操作，是在此基础上级联了之前计算得到上下文向量（context vetor），经过运算即可得到第一步的输出。 2.Two step。与之前的操作类似，我们需要计算（第一步的输出），与decoder输出的m个状态的相关性，具体方法与上文描述一致，进而可获得上下文向量（context vetor），最后将、和级联送入计算单元获得，方法见下图：在这里插入图片描述 3. Three step。这一步和上文完全相同不在赘述。