实验任务

（1）基于序列到序列（Seq2Seq）学习框架，设计并训练一个中英文机器翻译模型，完成中译英和英译中翻译任务。具体模型选择可以参考如LSTM，GRU，Transformer等，但不做限制；

（2）实验数据集为WMT18新闻评论数据集News Commentary v13，整个语料库分训练集（约252,700条）、验证集和测试集（分别约2,000条）三部分，每部分包含中英文平行语料两个文件，全部语料已预分词处理；

（3）根据指定的评价指标和测试集数据评价模型性能。

实验知识

由于网络上有很多关于seq2seq的详细知识这里只是简单介绍，不是本实验的重点部分

seq2seq

seq2seq 是一个 Encoder–Decoder 结构的网络，它的输入是一个序列，输出也是一个序列， Encoder 中将一个可变长度的信号序列变为固定长度的向量表达，Decoder 将这个固定长度的向量变成可变长度的目标的信号序列。

这个结构最重要的地方在于输入序列和输出序列的长度是可变的，可以用于翻译，聊天机器人，句法分析，文本摘要等。

 

Encoder-Decoder结构

 

（其中的 RNNCell 可以用 RNN ，GRU，LSTM 等结构）

Encoder

Encoder 部分是一个RNNCell（RNN ，GRU，LSTM 等）结构

每个 timestep， 我们向 Encoder 中输入一个字/词，直到我们输入这个句子的最后一个字/词。然后输出整个句子的语义向量 c

• 每个时刻输入一个词，隐藏层状态根据公式改变。其中**函数f可以是sigmod,tanh,ReLU,sotfplus,LSTM等。

• 读完序列的每一个词之后，会得到一个固定长度向量

Decoder

Decoder 根据 Encoder 得到的句向量c，一分析得出信息

本次实验我们使用的是双层的LSTM模型，所以下面简介一下LSTM

LSTM

长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。

相比RNN只有一个传递状态 ，LSTM有两个传输状态，一个 （cell state），和一个 （hidden state）。（Tips：RNN中的 对于LSTM中的 ）

实验设计

Step1：构造字典

统计单词出现频率

 

根据单词出现频率构造字典

 

字典构造结果

 

Step2：数据处理

实现词汇映射到数字的过程

 

数据处理结果

 

Step3：模型搭建

Step3.1：init初始化

 

Step3.2：encoder

 

Step3.3：decoder

解码器，输出outputs为每一步顶层LSTM的输出

 

Step3.4：优化部分

梯度下降优化

tf.train.GradientDescentOptimizer

Step4：训练数据

获取单词ID

 

根据中文词汇表获取中文ID，计算bleu值

 

计算perplexity值

 

 

训练结果

训练平台：google drive

训练数据：20000train集合

总共训练了10000步

 

训练次数较少时

 

英译中bleu大小仅能保持在0.2-0.3

 

perplexity值在700-800

训练次数增大

 

英译中bleu大小为0.4-0.5

 

perplexity值在100-200