seq2seq模型详解及对比（CNN，RNN，Transformer）_seq2seq模型 纠偏

一，概述
　　

        在自然语言生成的任务中，大部分是基于seq2seq模型实现的（除此之外，还有语言模型，GAN等也能做文本生成），例如生成式对话，机器翻译，文本摘要等等，seq2seq模型是由encoder，decoder两部分组成的，其标准结构如下：

　　原则上encoder，decoder可以由CNN，RNN，Transformer三种结构中的任意一种组合。但实际的应用过程中，encoder，decnoder的结构选择基本是一样的（即encoder选择CNN，decoder也选择CNN，如facebook的conv2conv）。因此本文我们也就介绍encoder，decoder是同种结构的三种模型，并对比其内部结构在编码和解码的不同之处。

二，模型介绍
　　

1）基于RNN的seq2seq模型
　　在这里的encoder和decoder都采用RNN系列模型，一般是GRU，LSTM等。一般有两种用法：即单向encoder-单向decoder；双向encoder-单向decoder（在这里要保证encoder的hidden_size等于decoder的hidden_size，但是对于双向encoder时，因为一般采用拼接来融合双向信息，因此此时encoder的hidden_size一般为decoder的hidden_size的一半）。
　　基于RNN的encoder端和用RNN做分类问题基本一致，但在decoder端需要融入encoder端的信息，因此是有一些不一样的，以GRU为例（LSTM同理）：
　　encoder端：
　　$r_t = sigma(W_r [h_{t-1}, x_t])$
　　$z_t = sigma(W_z [h_{t-1}, x_t])$
　　$hat{h_t} = tanh(W_{hat{h}} [r_t * h_{t-1}, x_t])$
　　$h_t = (1 - z_t) * h_{t-1} + z_t * hat{h_t}$
　　decoder端：需要融入attention后的encoder的编码向量$c_t$
　　$r_t = sigma(W_r [h_{t-1}, x_t, c_t])$
　　$z_t = sigma(W_z [h_{t-1}, x_t, c_t])$
　　$hat{h_t} = tanh(W_{hat{h}} [r_t * h_{t-1}, x_t, c_t])$
　　$h_t = (1 - z_t) * h_{t-1} + z_t * hat{h_t}$
　　注：在decoder中的矩阵$W_r, W_z, W_{hat{h}}$和encoder中的维度是不同的，因为后面的$ [h_{t-1}, x_t, c_t]$是拼接操作，这里面的$ h_{t-1}, x_t, c_t$都对应一个映射矩阵，只是为了方便操作，将他们对应的矩阵也拼接在一起计算了。
2）基于conv的seq2seq模型
　　基于卷积的seq2seq模型好像使用范围没有那么广，目前我见到的只有在机器翻译和语法纠错中有用到（当然肯定不排除在其他任务中有使用），但是基于卷积的seq2seq是引入了不少有意思的知识，首先引入了stacking conv来捕捉长距离的信息。主要围绕facebook的Convolutional Sequence to Sequence Learning 来讲解。
　　1）不采用池化，只采用卷积操作，并且通过padding使得每一层卷积后的序列长度不变（这种操作可以确保在多层conv中序列长度保持一致）。
　　2）对于输入$x$，其维度为$n*d$，在这里假设kernel size的大小为$k$，则给定一个卷积的参数矩阵$W$，其维度为$2d*kd$（本质就是一个kernel size为k的一维卷积对序列做卷积操作，并且filter size为2d，这样使得卷积后的token的向量的维度为2d），使得转换后的$h$（x的隐层表示）的维度为$n*2d$。
　　3）引入GLU门机制激活函数，其表达式如下：

以上面得到的$h$为例，其前半段$h*d$置为A，其后半段$h*d$置为B，对B用sigmoid函数激活后类似于门机制，然后对$A$和$sigma(B)$做元素对应相乘，这样也保证了每一层卷积后的输出维度和输入维度一致（这就是为什么第2步要使得卷积后的token的向量维度为$2d$，这种门机制在很多地方都可以使用，用来取代激活函数，既可以做非线性转换，又可以过滤重要的信息）。
　　4）采用了multi-step attention来连接encoder和decoder，即对decoder的每一层都单独计算attention（至于为什么要这样做，我猜可能是因为卷积是提取局部信息的，而每一层提取的局部信息都不一样，因为每一层对encoder的结果的关注位置也是不一样的，因此每一层对encoder的attention也应该是不一样的）。
3）基于transformer的seq2seq模型
　　基于transformer的seq2seq模型来源于attention is all you need，具体的介绍可以见详解Transformer模型（Atention is all you need）。

三，三种模型的对比

　　从encoder，decoder，attention三个部位来对比
　　encoder端：
　　1）RNN
　　RNN的encoder端和常见的用于分类的RNN模型没有什么区别，输入$x$，得到最后一层的隐层状态，用于之后计算attention。
　　2）conv
　　在这里采用stacking conv来对输入$x$编码，作者认为这种stacking conv是可以捕获到长距离的信息的，假设卷积的kernel size为3，第一层卷积能覆盖的最大长度为3（对原始序列），第二层卷积能覆盖的最大长度为$3^2$（对原始序列），依次类推，因此随着卷积层的增长，在原始序列上能覆盖的最大长度呈指数增长。同样去最后一层的隐层状态，用于之后计算attention。同时在每一层之间都引入了残差连接和batch normalization。
　　3）transformer
　　transformer的encoder和之前介绍的用transformer做分类基本一致（文本分类实战（八）—— Transformer模型）。整个结构由self-attention和feed forward层组合而成的，同样将最后一层的隐层状态用于之后计算attention。
 　　attention端：
　　1）RNN
　　RNN的attention都是基于decoder中的目标词和encoder的序列中的每一个词计算点积（或者其他的计算方式，如MLP，conv等都可以），然后softmax得到一个概率分布，也就是attention的权值。然后对encoder的序列中的每个词对应的向量做加权和得到最终的attention的结果。具体的如下图：

2）conv
　　卷积中的attention的计算和RNN中的基本一致，但是最后在做加权和的时候引入了最初encoder中embedding的词向量，其表达式如下：

上面式子中$alpha_{ij}^l$是表示$l$解码层对应的attention权重，$z_j^u$表示的是encoder最后的隐层结果，$e_j$表示的是encoder最初的embedding层的词向量，$j$表示encoder中第$j$个词。
　　3）transformer
　　transformer的attention计算有点不太一样，在这里仍然使用了在做self-attention计算中的multi-attention和scaled-attention。因此这里虽然目标词是来源于decoder，但是整个计算过程和transformer中的self-attention是一致的。
　　decoder端：
　　1）RNN
　　RNN在解码时一般都是用单层，因为从左到右的这种单层模式也符合解码的模式，dencoder的层数也一般和encoder保持一致。RNN的解码如上面的GRU示例一样，只是在计算的过程中引入了encoder的结果，其他的和encoder没什么太大的差异。
　　2）conv
　　conv在解码时主要是在序列的补全时和encoder不一样，为了保持卷积后序列的长度不变，encoder时会在序列的两端添加长度为$(kernel size - 1) / 2$的pad。而在decoder时会在序列的左端添加长度为$(kernel size - 1)$的pad（在这里kernel size一般取奇数，便于添加pad）。另外不同于RNN的是（RNN是将attention引入到了RNN结构中），conv在解码时的卷积操作只是提取序列的特征，然后经过GLU操作到和encoder的隐层相同的向量维度之后再计算attention，最后将attention的结果和GLU的结果和卷积前的结果相加作为下一层的输入。另外在解码的每一层都引入了残差连接和batch normalization。
　　3）transformer
　　transformer的decoder层其实和encoder层差不多，主要不同在加入了encoder的attention的结果，但这里和RNN，conv又优点不一样，这里是先对decoder中的序列做self-attention提取特征，然后再做对encoder的attention，然后进入到feed forward层，因此在这里的操作是串行的。同样再transformer中因为层数比较多，也引入了残差连接和Layer normalization（在自然语言处理中很多layer normalization的用的比batch normalization，除非是卷积，不然一般不用batch normalization）。
　　除了上面的不同点之外，一般来说transformer和conv的层数都比较深，因此也就需要残差连接和normalization来避免模型过拟合。此外在transformer和conv中都会引入位置向量来引入序列的位置信息，但是在RNN中，因为RNN的本质是从前往后又依赖关系的，因此位置信息在这种传递过程中已经存在了。
　　

上述模型具体的代码见 https://github.com/jiangxinyang227/NLP-Project/tree/master/dialogue_generator
参考文献：
Convolutional Sequence to Sequence Learning 
NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE 
Attention Is All You Need 
A Multilayer Convolutional Encoder-Decoder Neural Network for Grammatical Error Correction