《自然语言处理》第二次实验：机器翻译（Seq2Seq中英文翻译实验）_自然语言处理机器翻译测试集

       在实际生活中，机器翻译是人工智能技术比较广泛的一个应用，在之前的深度学习过程中，我们知道，循环神经网络能将输入序列映射成等长的输出序列，但在机器翻译应用中，输入序列与输出序列的长度通常不一样。序列到序列（Sequence to Sequene, Seq2Seq）的映射框架，就是用来解决这一问题，它能将一个可变长序列映射到另一个可变长序列。本章实验将探索Seq2Seq基础模型在机器翻译中的应用，以及Attention注意力机制、Transformer模型对基础Seq2Seq模型的改进。

       本章实验的主要目的是通过中英翻译实验，学员能深入地了解神经网络在NLP机器翻译领域的应用。通过案例代码的学习，重点理解seq2seq解码器-编码器框架、attention注意力机制、transformer架构。

任务一：按照实验手册进行Seq2Seq中英文翻译实验

       翻译任务在日常生活应用广泛，如手机中有各种翻译软件，可以满足人们交流、阅读的需求。本实验基于Seq2Seq编码器-解码器框架，结合GRU单元实现英文转中文的翻译任务，框架示意图如下：

       GRU（门递归单元）是一种递归神经网络算法，就像LSTM（长短期存储器）一样。它是由Kyunghyun Cho、Bart van Merrienboer等在2014年的文章“使用RNN编码器-解码器学习短语表示用于统计机器翻译”中提出的。本文提出了一种新的神经网络模型RNN Encoder-Decoder&#x