Seq2Seq模型

Seq2seq（Sequence to sequence）模型，是將序列（Sequence）映射到序列的神經網絡機器學習模型。這個模型最初設計用於改進機器翻譯技術，可容許機器通過此模型發現及學習將一種語言的語句（詞語序列）映射到另一種語言的對應語句上。^[1]除此之外，Seq2Seq也能廣泛地應用到各種不同的技術上，如聊天機器人、Inbox by Gmail等，但需要有配對好的文本集才能訓練出對應的模型。^[2]

Seq2seq是用於自然語言處理的一系列機器學習方法。^[3]應用領域包括機器翻譯，圖像描述，對話模型和文本摘要。^[4]

歷史

此算法最初由Google開發，並用於機器翻譯.^[4]

在2019年， Facebook宣布其用於求解微分方程。相比 Mathematica，MATLAB 和 Maple等商業解決方案，該算法能夠更快更精準的解決複雜方程。首先，方程被解析為樹形結構來避免書寫方式帶來的偏差。之後應用一個LSTM神經網絡，基於標準模式識別來處理方程樹。^[5]

在2020年，谷歌發布了Meena，一個在341GB數據集上訓練的26億參數的seq2seq聊天機器人。谷歌稱，該聊天機器人的模型容量比OpenAI的GPT-2多出1.7倍.^[6]

技術

Seq2seq將輸入序列轉換為輸出序列。它通過利用循環神經網絡（遞歸神經網絡）或更常用的LSTM GRU（英語：Gated recurrent unit）網絡來避免梯度消失問題。當前項的內容總來源於前一步的輸出。Seq2seq主要由一個編碼器和一個解碼器組成。編碼器將輸入轉換為一個隱藏狀態向量，其中包含輸入項的內容。解碼器進行相反的過程，將向量轉換成輸出序列，並使用前一步的輸出作為下一步的輸入。^[4]

優化包括：^[4]

注意力機制：解碼器的輸入只有一個單獨的向量，這個向量包含輸入序列的全部信息。注意力機制允許解碼器有選擇的分塊地使用輸入序列的信息。
束搜索，而不是選擇單一的輸出(文字)作為輸出、多極有可能選擇是保留，結構化作為一個樹（使用 Softmax 上設置的注意力的分數^[7]）。平均編碼器國家加權關注的分布。
存入桶:變序列長度是可能的，因為填補0，這可以做到的輸入和輸出。然而，如果的序列長度為100和輸入只有3項長、昂貴的空間被浪費。桶可以不同規模和指定的輸入和輸出的長度。

訓練通常使用通常使用交叉熵損失函數。^[7]

參考

人工神經網絡

參考文獻

^ 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
^ ^2.0 ^2.1 Overview - seq2seq. google.github.io. [2019-12-17]. （原始內容存檔於2019-09-25）.
^ Sutskever, Ilya; Vinyals, Oriol; Le, Quoc Viet. Sequence to sequence learning with neural networks. 2014. arXiv:1409.3215  [cs.CL].
^ ^4.0 ^4.1 ^4.2 ^4.3 Wadhwa, Mani. seq2seq model in Machine Learning. GeeksforGeeks. 2018-12-05 [2019-12-17]. （原始內容存檔於2019-12-17）（美國英語）.
^ Facebook has a neural network that can do advanced math. MIT Technology Review. December 17, 2019 [2019-12-17]. （原始內容存檔於2019-12-27）（美國英語）.
^ Mehta, Ivan. Google claims its new chatbot Meena is the best in the world. The Next Web. 2020-01-29 [2020-02-03]. （原始內容存檔於2020-01-30）（美國英語）.
^ ^7.0 ^7.1 Hewitt, John. Sequence 2 sequence Models (PDF). Stanford University. 2018. （原始內容存檔 (PDF)於2019-12-17）.

外部連結

A ten-minute introduction to sequence-to-sequence learning in Keras. blog.keras.io. [2019-12-19]. （原始內容存檔於2018-05-18）.
Dugar, Pranay. Attention — Seq2Seq Models. Medium. 2019-11-24 [2019-12-19]. （原始內容存檔於2020-09-12）（英語）.
Nag, Dev. seq2seq: the clown car of deep learning. Medium. 2019-04-24 [2019-12-19]. （原始內容存檔於2019-12-19）（英語）.
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].

[inproceedings_li2018seq2seq-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

[g-2] 2.0 ^2.1 Overview - seq2seq. google.github.io. [2019-12-17]. （原始內容存檔於2019-09-25）.

[sequence-3] Sutskever, Ilya; Vinyals, Oriol; Le, Quoc Viet. Sequence to sequence learning with neural networks. 2014. arXiv:1409.3215  [cs.CL].

[:1-4] 4.0 ^4.1 ^4.2 ^4.3 Wadhwa, Mani. seq2seq model in Machine Learning. GeeksforGeeks. 2018-12-05 [2019-12-17]. （原始內容存檔於2019-12-17）（美國英語）.

[:0-5] Facebook has a neural network that can do advanced math. MIT Technology Review. December 17, 2019 [2019-12-17]. （原始內容存檔於2019-12-27）（美國英語）.

[6] Mehta, Ivan. Google claims its new chatbot Meena is the best in the world. The Next Web. 2020-01-29 [2020-02-03]. （原始內容存檔於2020-01-30）（美國英語）.

[:2-7] 7.0 ^7.1 Hewitt, John. Sequence 2 sequence Models (PDF). Stanford University. 2018. （原始內容存檔 (PDF)於2019-12-17）.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

Seq2Seq模型

目次

歷史

技術

相關的軟體

參考

參考文獻

外部連結