转载至:https://blog.csdn.net/MebiuW/article/details/52832847
1 前言
这个深度学习，其实是来自每周Paper笔记的整理版，即文章的主要内容其实是我对一篇文章的整理，受限于个人水平，可能很多地方会出现理解偏差、或者理解不到位的地方，所以如果发现什么不对的地方欢迎交流。之前我一直不想发这个博文，因为觉得我水平实在有限，不过现在看来还是不论好坏，拖出来见见光好了。
所以这个系列的博文的主要内容是我每周Paper阅读的笔记整理，偶尔穿插着一些实验内容。文章的具体信息我会放置于末尾，有需要的同学请根据文章题目去寻找原始论文
2 Seq2Seq是什么
网上有很多关于Seq2Seq的解释，但是从我的角度来说，我愿意把Seq2Seq看做是：
从一个Sequence做某些工作映射到（to）另外一个Sequence的任务
具体结合实际应用来说，如下的连个任务都可以看做是Seq2Seq的任务“
1、SMT翻译任务（源语言的语句 -> 目标语言的语句）
2、对话任务（上下文语句->应答语句）
诸如上图，其实也就是一个示例（从ABC 这个Sequence 映射到 WXYZ）
3 RNN Encoder-Decoder 框架
通常来说，在深度学习中，应对这个类型的问题，有一个经典的框架被称为Encoder-Decoder：
所谓的Encoder，是将输入的Sequence编码成为一个固定长度的向量
所谓的Decoder，是根据背景Vector（即Encoder最后输出的向量）生成一个Token序列，作为输出的Sequence
这两部分Sequence的长度可以不一致。
最经典的Encoder-Decoder框架，用的就是RNN，即Encoder是一个RNN，而Decoder也是一个RNN。
这里面才有极大似然去估计，让输入的Seq经过Encoder得到中间向量v，再映射到Decoder的概率最大。
这个Encoder-Decoder的框架很经典，里面用的RNN(LSTM)也是很经典的，本来想详细讲讲的，但是我水平不够，所以大概也只能讲到这里了。
关于Encoder-Decoder的详细解释可以阅读这里：http://blog.csdn.net/malefactor/article/details/51124732
而本篇文章的Sequence2Sequence的模型就是这个RNN Encoder-Decoder了，关于他的公式，其实都是基本的RNN公式，文章里讲的也不多，有需要的可以直接去阅读原文。
实验
实验部分，其采用了WMT14提供的评测任务，任务要求是英语到法语的翻译任务
1. 训练的数据集有12M的句子，包含348M法语词，和304英语词
2. 作者选择了最常用的160000个英文词和80000个法语词构造词典，初次以外的词语，都表示为UNK
3. 训练目标如下，S是原语言序列，T是目标语言序列，使得如下式子的概率最大化。并且训练后的翻译过程也是如第二个式子所示
评测的标准是一个叫做BLEU的成绩，因为我不太关心翻译任务，所以我就知道越高越好的道理就好了。
而结论就是，这个模型能够十分接近WMT14的最高分（36.5 37）
讨论
这篇文章提出的Sequence2Sequnce模型很简单，但是借助于深度学习的魔力，其效果却十分的出众。
然而这个模型也正是因为太过简单，最开始使用的RNN在长句任务上表现不佳，主要表现在RNN在输入多次后使得最开始的信息出现了损失，而作为改进使用LSTM，则能够很好的解决这个问题。
同时，也有使用Attention机制的，去改善长句下的表现，关于这个机制，我会在随后的笔记中介绍的。
其实，还有一个比较好玩的是，他们发现这个Seq2Seq模型，如果我们把输入的Seq按照相反的顺序输入，其性能表现还更好（当然作者也不知道为什么）
总之，这是一个简单却很有魔力的模型，之后的工作也主要是基于这个框架，所以也作为笔记的第一篇出来。
完
--------------------- 本文来自 MebiuW 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/MebiuW/article/details/52832847?utm_source=copy