5.3序列模型与注意力机制

觉得有用的话,欢迎一起讨论相互学习~Follow Me

3.1基础模型

[1] Sutskever I, Vinyals O, Le Q V. Sequence to Sequence Learning with Neural Networks[J]. 2014, 4:3104-3112.
[2] Cho K, Van Merrienboer B, Gulcehre C, et al. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation[J]. Computer Science, 2014.

seq2seq

• 示例 对于法语句子: Jane visite l’Afrique en septembre 翻译成英语为 : Jane is visiting Africa in September
• 对于输入句子使用x<1>,x<2>,x<3>,x<4>,x<5>$x^{<1>},x^{<2>},x^{<3>},x^{<4>},x^{<5>}$来表示输入句子的单词，使用y<1>,y<2>,y<3>,y<4>,y<5>,y<6>$y^{<1>},y^{<2>},y^{<3>},y^{<4>},y^{<5>},y^{<6>}$来表示输出句子的单词。
  
• 首先建立 编码网络encoder network 它是一个RNN结构，RNN的子结构可以是GRU或者LSTM，每次向网络中输入一个单词，将输入序列接收完毕后，这个RNN会输出一个向量来代表这个输入序列。
• 之后你可以建立一个 解码网络decoder network 它以编码网络的输出作为输入。 解码网络 可以被训练为每次输出一个翻译后的单词，一直到它输出序列的结尾或者句子结尾标记，解码网络工作结束。
• 和介绍RNN时一样，解码网络 将前一个时间步的输出作为输入进行该时间步的预测。
  
• 这个模型简单地使用一个编码网络对输入的法语句子进行编码，然后用一个解码网络来生成对应的英语翻译

[1] Mao J, Xu W, Yang Y, et al. Deep Captioning with Multimodal Recurrent Neural Networks (m-RNN)[J]. Eprint Arxiv, 2015.
[2] Vinyals O, Toshev A, Bengio S, et al. Show and tell: A neural image caption generator[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2015:3156-3164.
[3] Karpathy A, Li F F. Deep visual-semantic alignments for generating image descriptions[C]// Computer Vision and Pattern Recognition. IEEE, 2015:3128-3137.

Image captioning 图片描述 image to Sequence model

• 类似的结构也可以被用来做 图片描述(Image captioning) , 给出一张图片，他能自动地输出该图片的描述。
  
  A cat sitting on a chair

  1. 首先，使用CNN学习图片的一系列特征，并输出图片的编码。
     
  2. 去掉末端的softmax单元，可以得到一个4096维的向量来表示这张图片
  3. 接着可以把这个向量输入到RNN中，RNN通过每次生成一个单词的形式输出该图片的描述。事实证明，这种方法十分有效，特别是当输出的描述图片的句子不是特别长的时候