文章目录
1. Seq2seq
对于seq2seq的问题，有时我们并不知道输出的长度是多少，这时候我们需要机器自己决定输出的长度
比如把语音的英文数据直接输出为对应的中文文字（长度与格式都不一样），我猜这就是呢篇paper叫做Transformer的原因
在NLP领域很多问题都可以看作成Q&A的问题，这时就转化成立一个对话的seq2seq的问题，但一般会针对各个问题有针对性的进行相关处理最适合的模型。
我们可以对于文字的语法解析问题也强行转化成一个seq2seq的问题
我们对于multi-label的问题也可以转化成一个seq2seq的问题
对于object Detection的问题也可以用seq2seq的模型来硬解
2. Encoder
一般seq2seq的问题都由Encoder和Decoder组成，Encoder处理输入序列，结果给Decoder决定输出
Encoder做的事情就是对输入的一组向量，输出一组相同长度的向量，这点很多模型都可以做到（比如RNN或CNN），在Transformer中就使用了Self-attention。
2.1 Block
首先，整体的Encoder会分成很多block，最终得到输出，每一个block里面还有很多个layer
其中每一个Block的结构又被分为一层注意力层和全连接层，
在transformer，在attention层后还多了一个类似残差网络（residual）的设计，将输入加到了输出中，之后再做了一次layer Normalization（对于同一个feature不同的dimension计算平均值和标准差，进行normalization），这时得到的是全连接的输入，然后对全连接的输出在进行残差操作
在transformer的block中，输入还加了Positional Encoding（Self-attention中有讲过，位置信息的vector），其中的Attention用的也是Multi-Head Attention，之后再过一个正向网络，Add & Norm就是残差+标准化
这个复杂的block在BERT中也有用到
2. Decoder
Decoder有两种，比较常见的是Autoregressive（AT），这里用语音辨识作为例子
2.1 Autoregressive（AT）
对于Encoder给出的输入，Decoder要首先给一个BEGIN的特殊符号（用独热码表示），代表开始
然后Decoder会softmax后输出一个向量，这个向量的长度是输出语言单词或词汇种类的个数，这个向量是一个distribution，然后数值最大的值就是第一个输出，如下图就是“机”字，然后这个“机”字就成了下一个输入。
反复进行这个操作，就得到“机器学习”四个输出
在transformer中Decoder的结构如下
通过比较我们可以发现，Encoder和Decoder大概结构类似，只有中间部分不相同，还有Masked Attention
Masked Self-attention相比于Self-attention，每一个输入只能考虑之前输入的咨询，即下图中每个输入左边的输入，而不是考虑全部的输入
因为decoder的步骤中，我们是一个输出成为下一个输入所以决定了这样特殊的Attention结构。
为了让机器自己学习什么时候结束输出，我们还确定了一个结束符号END，有时候会用跟BEGIN一样的符号表示（因为只会出现两次）
2.2 Non-autoregressive（NAT）
相比于AT一次一个字产生的形式m，NAT一次产生一整个句子，给多少个START就输出多少个字，这样就得确定输入多少个START标识符的数量
有几种确定输出数量常见的作法：
- 训练一个Classifier，它的输入是Encoder的输出，输出是应该所求的输出数量
- 给N个START，假定输出不会超过一个N值，看什么地方输出END，END右边的舍弃
优点：
- NAT一次就产生整个句子，比AT的速度快
- 能够控制输出的长度，比如语音合成时，将Classifer的输出除2，那么讲话速度就会变两倍快，反之亦然
但是NAT的效果一般不如AT，因为会遇到Multi-modality的问题等等，所以现在很多研究在试图提升NAT的效果。
2.3 Cross attention
连接Encoder和Decoder之间的桥梁叫做Cross attention
Cross attention的具体结构如下，其中q qq来自Decoder
每一次Decoder运作的过程都类似，考虑到了Encoder产生的所有输出
也有人尝试用Encoder中间层与Decoder中间层做一些Cross Attention等连接方式
4. Training
我们希望每一个输出的distribution和Ground truth的cross entropy越小越好，最后还有一个结束符的cross entropy
在训练的时候我们会给Decoder 正确答案作为输入，这叫做Teacher Forcing
4.1 Copy Mechanism
有很多时候Decoder并不需要自己产生输出，而是可以从输入的东西里复制一些东西（如聊天机器人）
在做摘要的时候也会需要用这样的功能
4.2 Guided Attention
在语音辨识和语音合成中会使用，要求机器在做attention时有固定的模式，比如固定从左到右进行attention
4.3 Beam Search
在进行输出时，一般会找分数最高的作为输出叫做Greedy Decoding
但有时候我们会先选择一些较差的，但之后的结果反而比较好
所以我们用Beam Search找一些较好的路径
这种方法有时候好用有时候效果很差 ：）
在语言辨识这种输出结果确定的情况下，Beam Search会较好用
在需要机器发挥一些创造力的情况时，Beam Search比较没有帮助
4.4 Cross entropy & BLEU score
训练用的是Cross entropy但最后测试的是BLEU score，所以之间存在差距
当不知道怎么优化时，用reinforcement learning（RL）硬做！
4.5 Scheduled Sampling
如果在训练的Decoder一直看到的是完全正确的数据，那么在测试的时候如果出现一步错误，就会步步错
所以从直觉性上我们给Decoder加入一些错误的数据
这种方法叫做Scheduled Sampling