Seq2Seq模型

Seq2seq（Sequence to sequence）模型，是将序列（Sequence）映射到序列的神经网络机器学习模型。这个模型最初设计用于改进机器翻译技术，可容许机器通过此模型发现及学习将一种语言的语句（词语序列）映射到另一种语言的对应语句上。^[1]除此之外，Seq2Seq也能广泛地应用到各种不同的技术上，如聊天机器人、Inbox by Gmail等，但需要有配对好的文本集才能训练出对应的模型。^[2]

Seq2seq是用于自然语言处理的一系列机器学习方法。^[3]应用领域包括机器翻译，图像描述，对话模型和文本摘要。^[4]

历史

此算法最初由Google开发，并用于机器翻译.^[4]

在2019年， Facebook宣布其用于求解微分方程。 相比 Mathematica，MATLAB 和 Maple等商业解决方案，该算法能够更快更精准的解决复杂方程。首先，方程被解析为树形结构来避免书写方式带来的偏差。 之后应用一个LSTM神经网络，基于标准模式识别来处理方程树。^[5]

在2020年，谷歌发布了Meena，一个在341GB数据集上训练的26亿参数的seq2seq聊天机器人。谷歌称，该聊天机器人的模型容量比OpenAI的GPT-2多出1.7倍.^[6]

技术

Seq2seq将输入序列转换为输出序列。它通过利用循环神经网络（递归神经网络）或更常用的LSTM GRU（英语：Gated recurrent unit）网络来避免梯度消失问题。当前项的内容总来源于前一步的输出。Seq2seq主要由一个编码器和一个解码器组成。 编码器将输入转换为一个隐藏状态向量，其中包含输入项的内容。 解码器进行相反的过程，将向量转换成输出序列，并使用前一步的输出作为下一步的输入。^[4]

优化包括：^[4]

• 注意力机制：解码器的输入只有一个单独的向量，这个向量包含输入序列的全部信息。注意力机制允许解码器有选择的分块地使用输入序列的信息。
• 束搜索，而不是选择单一的输出(文字)作为输出、多极有可能选择是保留，结构化作为一个树（使用 Softmax 上设置的注意力的分数^[7]）。 平均编码器国家加权关注的分布。
• 存入桶:变序列长度是可能的，因为填补0，这可以做到的输入和输出。 然而，如果的序列长度为100和输入只有3项长、昂贵的空间被浪费。 桶可以不同规模和指定的输入和输出的长度。

训练通常使用通常使用交叉熵损失函数。^[7]

相关的软件

采用类似的算法的软件包括OpenNMT（Torch（英语：Torch (machine learning)）），Neural Monkey（TensorFlow）和NEMATUS（Theano）。^[2]

参考

• 人工神经网络

参考文献

1. Li, Zuchao and Cai, Jiaxun and He, Shexia and Zhao, Hai, Seq2seq dependency parsing, Proceedings of the 27th International Conference on Computational Linguistics, 2018: 3203––3214
2. Overview - seq2seq. google.github.io. [2019-12-17]. （原始内容存档于2019-09-25）.
3. Sutskever, Ilya; Vinyals, Oriol; Le, Quoc Viet. Sequence to sequence learning with neural networks. 2014. arXiv:1409.3215  [cs.CL].
4. Wadhwa, Mani. seq2seq model in Machine Learning. GeeksforGeeks. 2018-12-05 [2019-12-17]. （原始内容存档于2019-12-17） （美国英语）.
5. Facebook has a neural network that can do advanced math. MIT Technology Review. December 17, 2019 [2019-12-17]. （原始内容存档于2019-12-27） （美国英语）.
6. Mehta, Ivan. Google claims its new chatbot Meena is the best in the world. The Next Web. 2020-01-29 [2020-02-03]. （原始内容存档于2020-01-30） （美国英语）.
7. Hewitt, John. Sequence 2 sequence Models (PDF). Stanford University. 2018. （原始内容存档 (PDF)于2019-12-17）.

外部链接

• A ten-minute introduction to sequence-to-sequence learning in Keras. blog.keras.io. [2019-12-19]. （原始内容存档于2018-05-18）.
• Dugar, Pranay. Attention — Seq2Seq Models. Medium. 2019-11-24 [2019-12-19]. （原始内容存档于2020-09-12） （英语）.
• Nag, Dev. seq2seq: the clown car of deep learning. Medium. 2019-04-24 [2019-12-19]. （原始内容存档于2019-12-19） （英语）.
• Adiwardana, Daniel; Luong, Minh-Thang; So, David R.; Hall, Jamie; Fiedel, Noah; Thoppilan, Romal; Yang, Zi; Kulshreshtha, Apoorv; Nemade, Gaurav; Lu, Yifeng; Le, Quoc V. (2020-01-31). "Towards a Human-like Open-Domain Chatbot". arXiv:2001.09977 [cs.CL].