1. 介紹

1.1 Deep NLP

自然語言處理（Natural Language Processing，NLP）是計算機科學、人工智能和語言學領域交叉的分支學科，主要讓計算機處理或理解自然語言，如機器翻譯，問答系統等。但是因其在表示、學習、使用語言的復雜性，通常認為 NLP 是困難的。近幾年，隨著深度學習（Deep Learning, DL）興起，人們不斷嘗試將 DL 應用在 NLP 上，被稱為 Deep NLP，并取得了很多突破。其中就有 Seq2Seq 模型。

1.2 來由

Seq2Seq Model是序列到序列（ Sequence to Sequence ）模型的簡稱，也被稱為一種編碼器-解碼器（Encoder-Decoder）模型，分別基于2014發布的兩篇論文：

• Sequence to Sequence Learning with Neural Networks by Sutskever et al.,
• Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation by Cho et al.,

作者 Sutskever 分析了 Deep Neural Networks (DNNs) 因限制輸入和輸出序列的長度，無法處理未知長度和不定長的序列；并且很多重要的問題都使用未知長度的序列表示的。從而論證在處理未知長度的序列問題上有必要提出新解決方式。于是，創新性的提出了 Seq2Seq 模型。下面讓我們一起看看這個模型到底是什么。

2. Seq2Seq Model 之不斷探索

為什么說是創新性提出呢? 因為作者 Sutskever 經過了三次建模論證，最終才確定下來 Seq2Seq 模型。而且模型的設計非常巧妙。讓我們先回顧一下作者的探索經歷。語言模型（Language Model, LM）是使用條件概率通過給定的詞去計算下一個詞。這是 Seq2Seq 模型的預測基礎。由于序列之間是有上下文聯系的，類似句子的承上啟下作用，加上語言模型的特點（條件概率），作者首先選用了 RNN-LM（Recurrent Neural Network Language Model, 循環神經網絡語言模型）。

上圖，是一個簡單的 RNN 單元。RNN 循環往復地把前一步的計算結果作為條件，放進當前的輸入中。
適合在任意長度的序列中對上下文依賴性進行建模。但是有個問題，那就是我們需要提前把輸入和輸出序列對齊，而且目前尚不清楚如何將 RNN 應用在不同長度有復雜非單一關系的序列中。為了解決對齊問題，作者提出了一個理論上可行的辦法：使用兩個 RNN。 一個 RNN 把輸入映射為一個固定長度的向量，另一個 RNN 從這個向量中預測輸出序列。

為什么說是理論可行的呢？作者 Sutskever 的博士論文 TRAINING RECURRENT NEURAL NETWORKS (訓練循環神經網絡）提出訓練 RNN 是很困難的。因為由于 RNN 自身的網絡結構，其當前時刻的輸出需要考慮前面所有時刻的輸入，那么在使用反向傳播訓練時，一旦輸入的序列很長，就極易出現梯度消失（Gradients Vanish）問題。為了解決 RNN 難訓練問題，作者使用 LSTM（Long Short-Term Memory，長短期記憶）網絡。

上圖，是一個 LSTM 單元內部結構。LSTM 提出就是為了解決 RNN 梯度消失問題，其創新性的加入了遺忘門，讓 LSTM 可以選擇遺忘前面輸入無關序列，不用考慮全部輸入序列。經過3次嘗試，最終加入 LSTM 后，一個簡單的 Seq2Seq 模型就建立了。

上圖，一個簡單的 Seq2Seq 模型包括3個部分，Encoder-LSTM，Decoder-LSTM，Context。輸入序列是ABC，Encoder-LSTM 將處理輸入序列并在最后一個神經元返回整個輸入序列的隱藏狀態（hidden state），也被稱為上下文（Context，C）。然后 Decoder-LSTM 根據隱藏狀態，一步一步的預測目標序列的下一個字符。最終輸出序列wxyz。值得一提的是作者 Sutskever 根據其特定的任務具體設計特定的 Seq2Seq 模型。并對輸入序列作逆序處理，使模型能處理長句子，也提高了準確率。

上圖，是作者 Sutskever 設計的真實模型，并引以為傲一下三點。第一使用了兩個 LSTM ，一個用于編碼，一個用于解碼。這也是作者探索并論證的結果。第二使用了深層的 LSTM （4層），相比于淺層的網絡，每加一層模型困難程度就降低10% 。第三對輸入序列使用了逆序操作，提高了 LSTM 處理長序列能力。

3. 中英文翻譯

到了我們動手的時刻了，理解了上面 Seq2Seq 模型，讓我們搭建一個簡單的中英文翻譯模型。

3.1 數據集

我們使用 manythings 網站的一個中英文數據集，現已經上傳到 Mo 平臺了，點擊查看。該數據集格式為英文+tab+中文。

3.2 處理數據

from keras.models import Model from keras.layers import Input, LSTM, Dense import numpy as npbatch_size = 64 # Batch size for training. epochs = 100 # Number of epochs to train for. latent_dim = 256 # Latent dimensionality of the encoding space. num_samples = 10000 # Number of samples to train on. # Path to the data txt file on disk. data_path = 'cmn.txt'# Vectorize the data. input_texts = [] target_texts = [] input_characters = set() target_characters = set() with open(data_path, 'r', encoding='utf-8') as f:lines = f.read().split('\n') for line in lines[: min(num_samples, len(lines) - 1)]:input_text, target_text = line.split('\t')# We use "tab" as the "start sequence" character# for the targets, and "\n" as "end sequence" character.target_text = '\t' + target_text + '\n'input_texts.append(input_text)target_texts.append(target_text)for char in input_text:if char not in input_characters:input_characters.add(char)for char in target_text:if char not in target_characters:target_characters.add(char)input_characters = sorted(list(input_characters)) target_characters = sorted(list(target_characters)) num_encoder_tokens = len(input_characters) num_decoder_tokens = len(target_characters) max_encoder_seq_length = max([len(txt) for txt in input_texts]) max_decoder_seq_length = max([len(txt) for txt in target_texts])print('Number of samples:', len(input_texts)) print('Number of unique input tokens:', num_encoder_tokens) print('Number of unique output tokens:', num_decoder_tokens) print('Max sequence length for inputs:', max_encoder_seq_length) print('Max sequence length for outputs:', max_decoder_seq_length)

3.3 Encoder-LSTM

# mapping token to index， easily to vectors input_token_index = dict([(char, i) for i, char in enumerate(input_characters)]) target_token_index = dict([(char, i) for i, char in enumerate(target_characters)])# np.zeros(shape, dtype, order) # shape is an tuple, in here 3D encoder_input_data = np.zeros((len(input_texts), max_encoder_seq_length, num_encoder_tokens),dtype='float32') decoder_input_data = np.zeros((len(input_texts), max_decoder_seq_length, num_decoder_tokens),dtype='float32') decoder_target_data = np.zeros((len(input_texts), max_decoder_seq_length, num_decoder_tokens),dtype='float32')# input_texts contain all english sentences # output_texts contain all chinese sentences # zip('ABC','xyz') ==> Ax By Cz, looks like that # the aim is: vectorilize text, 3D for i, (input_text, target_text) in enumerate(zip(input_texts, target_texts)):for t, char in enumerate(input_text):# 3D vector only z-index has char its value equals 1.0encoder_input_data[i, t, input_token_index[char]] = 1.for t, char in enumerate(target_text):# decoder_target_data is ahead of decoder_input_data by one timestepdecoder_input_data[i, t, target_token_index[char]] = 1.if t > 0:# decoder_target_data will be ahead by one timestep# and will not include the start character.# igone t=0 and start t=1, means decoder_target_data[i, t - 1, target_token_index[char]] = 1.

3.4 Context（hidden state）

# Define an input sequence and process it. # input prodocts keras tensor, to fit keras model! # 1x73 vector # encoder_inputs is a 1x73 tensor! encoder_inputs = Input(shape=(None, num_encoder_tokens))# units=256, return the last state in addition to the output encoder_lstm = LSTM((latent_dim), return_state=True)# LSTM(tensor) return output, state-history, state-current encoder_outputs, state_h, state_c = encoder_lstm(encoder_inputs)# We discard `encoder_outputs` and only keep the states. encoder_states = [state_h, state_c]

3.5 Decoder-LSTM

# Set up the decoder, using `encoder_states` as initial state. decoder_inputs = Input(shape=(None, num_decoder_tokens))# We set up our decoder to return full output sequences, # and to return internal states as well. We don't use the # return states in the training model, but we will use them in inference. decoder_lstm = LSTM((latent_dim), return_sequences=True, return_state=True)# obtain output decoder_outputs, _, _ = decoder_lstm(decoder_inputs,initial_state=encoder_states)# dense 2580x1 units full connented layer decoder_dense = Dense(num_decoder_tokens, activation='softmax')# why let decoder_outputs go through dense ? decoder_outputs = decoder_dense(decoder_outputs)# Define the model that will turn, groups layers into an object # with training and inference features # `encoder_input_data` & `decoder_input_data` into `decoder_target_data` # model(input, output) model = Model([encoder_inputs, decoder_inputs], decoder_outputs)# Run training # compile -> configure model for training model.compile(optimizer='rmsprop', loss='categorical_crossentropy') # model optimizsm model.fit([encoder_input_data, decoder_input_data], decoder_target_data,batch_size=batch_size,epochs=epochs,validation_split=0.2) # Save model model.save('seq2seq.h5')

3.6 解碼序列

# Define sampling models encoder_model = Model(encoder_inputs, encoder_states) decoder_state_input_h = Input(shape=(latent_dim,)) decoder_state_input_c = Input(shape=(latent_dim,)) decoder_states_inputs = [decoder_state_input_h, decoder_state_input_c] decoder_outputs, state_h, state_c = decoder_lstm(decoder_inputs, initial_state=decoder_states_inputs) decoder_states = [state_h, state_c] decoder_outputs = decoder_dense(decoder_outputs) decoder_model = Model([decoder_inputs] + decoder_states_inputs,[decoder_outputs] + decoder_states)# Reverse-lookup token index to decode sequences back to # something readable. reverse_input_char_index = dict((i, char) for char, i in input_token_index.items()) reverse_target_char_index = dict((i, char) for char, i in target_token_index.items())def decode_sequence(input_seq):# Encode the input as state vectors.states_value = encoder_model.predict(input_seq)# Generate empty target sequence of length 1.target_seq = np.zeros((1, 1, num_decoder_tokens))# Populate the first character of target sequence with the start character.target_seq[0, 0, target_token_index['\t']] = 1.# this target_seq you can treat as initial state# Sampling loop for a batch of sequences# (to simplify, here we assume a batch of size 1).stop_condition = Falsedecoded_sentence = ''while not stop_condition:output_tokens, h, c = decoder_model.predict([target_seq] + states_value)# Sample a token# argmax: Returns the indices of the maximum values along an axis# just like find the most possible charsampled_token_index = np.argmax(output_tokens[0, -1, :])# find char using indexsampled_char = reverse_target_char_index[sampled_token_index]# and append sentencedecoded_sentence += sampled_char# Exit condition: either hit max length# or find stop character.if (sampled_char == '\n' or len(decoded_sentence) > max_decoder_seq_length):stop_condition = True# Update the target sequence (of length 1).# append then ?# creating another new target_seq# and this time assume sampled_token_index to 1.0target_seq = np.zeros((1, 1, num_decoder_tokens))target_seq[0, 0, sampled_token_index] = 1.# Update states# update states, frome the front partsstates_value = [h, c]return decoded_sentence

3.7 預測

for seq_index in range(100,200):# Take one sequence (part of the training set)# for trying out decoding.input_seq = encoder_input_data[seq_index: seq_index + 1]decoded_sentence = decode_sequence(input_seq)print('Input sentence:', input_texts[seq_index])print('Decoded sentence:', decoded_sentence)

該項目已公開在 Mo 平臺上，Seq2Seq之中英文翻譯，建議使用GPU訓練。
介紹 Mo 平臺一個非常貼心實用的功能： API Doc，（在開發界面的右側欄，第二個）。



在 Mo 平臺寫代碼可以很方便的實現多窗口顯示，只要拖動窗口的標題欄就可實現分欄。

4. 總結與展望

提出經典的 Seq2Seq 模型是一件了不起的事情，該模型在機器翻譯和語音識別等領域中解決了很多重要問題和 NLP 無法解決的難題。也是深度學習應用于 NLP 一件里程碑的事件。后續，又基于該模型提出了很多改進和優化，如 Attention 機制等。相信在不遠的未來，會有嶄新的重大發現，讓我們拭目以待。
項目源碼地址（歡迎電腦端打開進行fork）：https://momodel.cn/explore/5d38500a1afd94479891643a?type=app

5. 引用

論文：Sequence to Sequence Learning with Neural Networks
博客：Understanding LSTM Networks
代碼：A ten-minute introduction to sequence-to-sequence learning in Keras

歡迎關注我們的微信公眾號：MomodelAI

同時，歡迎使用 「Mo AI編程」 微信小程序

以及登錄官網，了解更多信息：Mo 平臺

Mo，發現意外，創造可能

總結

以上是生活随笔為你收集整理的【Mo 人工智能技术博客】使用 Seq2Seq 实现中英文翻译的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。