Encoder-Decoder 和 Seq2Seq

機(jī)器翻譯、對(duì)話機(jī)器人、詩詞生成、代碼補(bǔ)全、文章摘要（文本 - 文本）

「文本 - 文本」 是最典型的應(yīng)用，其輸入序列和輸出序列的長度可能會(huì)有較大的差異。

Google 發(fā)表的用Seq2Seq做機(jī)器翻譯的論文《Sequence to Sequence Learning with Neural Networks》

語音識(shí)別（音頻 - 文本）

語音識(shí)別也有很強(qiáng)的序列特征，比較適合 Encoder-Decoder 模型。

Google 發(fā)表的使用Seq2Seq做語音識(shí)別的論文《A Comparison of Sequence-to-Sequence Models for Speech Recognition》

圖像描述生成（圖片 - 文本）

通俗的講就是「看圖說話」，機(jī)器提取圖片特征，然后用文字表達(dá)出來。這個(gè)應(yīng)用是計(jì)算機(jī)視覺和 NLP 的結(jié)合。

圖像描述生成的論文《Sequence to Sequence – Video to Text》

Encoder-Decoder 的缺陷

上文提到：Encoder（編碼器）和 Decoder（解碼器）之間只有一個(gè)「向量 c」來傳遞信息，且 c 的長度固定。

為了便于理解，我們類比為「壓縮-解壓」的過程：

將一張 800X800 像素的圖片壓縮成 100KB，看上去還比較清晰。再將一張 3000X3000 像素的圖片也壓縮到 100KB，看上去就模糊了。

Encoder-Decoder 就是類似的問題：當(dāng)輸入信息太長時(shí)，會(huì)丟失掉一些信息。

Attention 解決信息丟失問題

Attention 機(jī)制就是為了解決「信息過長，信息丟失」的問題。

Ａttention 模型的特點(diǎn)是 Eecoder 不再將整個(gè)輸入序列編碼為固定長度的「中間向量 Ｃ」 ，而是編碼成一個(gè)向量的序列。

這樣，在產(chǎn)生每一個(gè)輸出的時(shí)候，都能夠做到充分利用輸入序列攜帶的信息。而且這種方法在翻譯任務(wù)中取得了非常不錯(cuò)的成果。

審核編輯 黃昊宇