现代循环神经网络 - 编码器-解码器架构

编码器-解码器架构

机器翻译时序列转换模型的一个核心问题，其输入和输出都时长度可变的序列。巍峨了处理这种类型的输入和输出，我们可以设计一个包含两个主要组件的架构：

• 编码器（encoder）：它接受一个长度可变的序列作为输入，并将其转换为具有固定形状的编码状态
• 解码器（decoder）：它将固定形状的编码状态映射到长度可变的序列

这被称为编码器-解码器（encoder-decoder）架构

我们以英语到法语的机器翻译为例：给定一个英文的输入序列：“Thye”、“are”、“watching”、“.”。首先，这种“编码器-解码器”架构将长度可变的输入序列编码成一个“状态”，然后对该状态进行解码，一个词元接着一个词元地生成翻译后的序列作为输出：“Ils”、“regorden”、“.”。

由于“编码器-解码器”架构时形成后续章节中不同序列转换模型的基础，因此本节将把这个架构转换为借口方便后面的代码实现

1 - 编码器

在编码器接口中，我们只指定长度可变的序列作为编码器的输入X。任何继承这个Encoder基类的模型将完成代码实现

from torch import nn

class Encoder(nn.Module):
    """编码器-解码器架构的基本编码器接口"""
    def __init__(self,**kwargs):
        super(Encoder,self).__init__(**kwargs)
    
    def forward(self,X,*args):
        raise NotImplementedError
1
2
3
4
5
6
7
8
9

2 - 解码器

在下面的解码器接口中，我们新增一个init_state函数，用于将编码器的输出（enc_outputs）转换为编码后的状态。注意，此步骤可能需要额外的输入，例如：输入序列的有效长度，为了逐个地生成长度可变的词元序列，解码器在每个时间步都会将输入（前一时间步生成的词元）和编码后的状态映射成当前时间步的输出词元

class Decoder(nn.Module):
    """编码器-解码器架构的基本解码器接口"""
    def __init__(self,**kwargs):
        super(Decoder,self).__init__(**kwargs)
        
    def init_state(self,enc_outputs,*args):
        raise NotImplementedError
        
    def forward(self,X,state):
        raise NotImplementedError
1
2
3
4
5
6
7
8
9
10

3 - 合并编码器和解码器

总而言之，“编码器-解码器”架构包含了一个编码器和一个解码器，并且还拥有可选的额外参数，在前向传播中，编码器的输出用于生成编码状态，这个状态又被解码器作为其输入的一部分

class EncoderDecoder(nn.Module):
    """编码器-解码器架构的基类"""
    def __init__(self,encoder,decoder,**kwargs):
        super(EncoderDecoder,self).__init__(**kwargs)
        self.encoder = encoder
        self.decoder = decoder
        
    def forward(self,enc_X,dec_X,*args):
        enc_outputs = self.encoder(enc_X,*args)
        dec_state = self.decoder.init_state(enc_outputs, *args)
        return self.decoder(dec_X, dec_state)
1
2
3
4
5
6
7
8
9
10
11

“编码器-解码器”体系结构中的术语“状态”可能会启发你使用具有状态的神经网络来实现该架构。在下一节中，我们将学习如何应用循环神经网络，来设计基于“编码器-解码器”架构的序列转换模型

4 - 小结

• “编码器-解码器”架构可以将长度可变的序列作为输入和输出，因此适用于机器翻译等序列转换问题
• 编码器将长度可变的序列作为输入，并将其转换为具有固定形状的编码状态
• 解码器将具有固定形状的编码状态映射为长度可变的序列