<模型匯總-6>基於CNN的Seq2Seq模型-Convolutional Sequence to Sequence

Seq2seq是現在使用廣泛的一種序列到序列的深度學習演算法，在圖像、語音和NLP，比如：機器翻譯、機器閱讀、語音識別、智能對話和文檔摘要生成等，都有廣泛的應用。Seq2Seq模由encoder和decoder兩個部分來構成，假設模型的訓練樣本為（X,Y），encoder負責把輸入X映射到隱向量Z，再由decoder把Z映射到輸出Y。現在大多數場景下使用的Seq2Seq模型基於RNN構成的，雖然取得了不錯的效果，但也有一些學者發現使用CNN來替換Seq2Seq中的encoder或decoder可以達到更好的效果。最近，FaceBook帆布一篇論文：《Convolutional Sequence to Sequence Learning》，提出了完全使用CNN來構成Seq2Seq模型，用於機器翻譯，超越了谷歌創造的基於LSTM機器翻譯的效果。

論文下載地址：[1705.03122] Convolutional Sequence to Sequence Learning

開源代碼github地址：facebookresearch/fairseq

FaceBook發布的這篇文章的工作持續時間比較長了，依賴於《Language Modeling with Gated Convolutional Networks》文章中的工作。個人認為，FaceBook的Convolutional SeqSeq取得了超越Google翻譯的成果，重要原因在於採用了很多的trick，很多工作值得借鑒：

1、Position Embedding，在輸入信息中加入位置向量P=（p1,p2,....），把位置向量與詞向量W=（w1，w2,.....）求和構成向量E=(w1+p1,w2+p2)，做為網路輸入，使由CNN構成的Encoder和Decoder也具備了RNN捕捉輸入Sequence中詞的位置信息的功能。

2、層疊CNN構成了hierarchical representation表示。層疊的CNN擁有3個優點：

（1）捕獲long-distance依賴關係。底層的CNN捕捉相聚較近的詞之間的依賴關係，高層CNN捕捉較遠詞之間的依賴關係。通過層次化的結構，實現了類似RNN（LSTM）捕捉長度在20個詞以上的Sequence的依賴關係的功能。

（2）效率高。假設一個sequence序列長度為n，採用RNN（LSTM）對其進行建模 需要進行n次操作，時間複雜度O（n）。相比，採用層疊CNN只需要進行n/k次操作，時間複雜度O（n/k）,k為卷積窗口大小。

（3）可以並行化實現。RNN對sequence的建模依賴於序列的歷史信息，因此不能並行實現。相比，層疊CNN正個sequence進行卷積，不依賴序列歷史信息，可以並行實現，模型訓練更快，特別是在工業生產，面臨處理大數據量和實時要求比較高的情況下。

3、融合了Residual connection、liner mapping的多層attention。通過attention決定輸入的哪些信息是重要的，並逐步往下傳遞。把encoder的輸出和decoder的輸出做點乘（dot products），再歸一化，再乘以encoder的輸入X之後做為權重化後的結果加入到decoder中預測目標語言序列。

4、採用GLU做為gate mechanism。GLU單元激活方式如下公式所示：

每一層的輸出都是一個線性映射X*W + b，被一個門gate：o（X*V+c）控制，通過做乘法來控制信息向下層流動的力度，o採用雙曲正切S型激活函數。這個機制類似LSTM中的gate mechanism，對於語言建模非常有效，使模型可以選擇那些詞或特徵對於預測下一個詞是真的有效的。

5、進行了梯度裁剪和精細的權重初始化，加速模型訓練和收斂。

完整的結構分析：

Figure1是論文中給出的的Convolutional Seq2Seq的結構，看起來有點複雜，其實挺簡單的。下面簡要分析下是如何與上述5個trick結合起來的：

上左encoder部分：通過層疊的卷積抽取輸入源語言（英語）sequence的特徵，圖中直進行了一層卷積。卷積之後經過GLU激活做為encoder輸出。

下左decoder部分：採用層疊卷積抽取輸出目標語言（德語）sequence的特徵，經過GLU激活做為decoder輸出。

中左attention部分：把decoder和encoder的輸出做點乘，做為輸入源語言（英語）sequence中每個詞權重。

中右Residualconnection：把attention計算的權重與輸入序列相乘，加入到decoder的輸出中輸出輸出序列。

最後實驗結論：在多個公開數據集上獲得了新的state-of-the-art的成績。在WMT-16、英語-羅馬尼亞語翻譯，高出以前方法1.8 BLEU；在WMT-14、英語-法語翻譯，比以前LSTM模型所取得的成績高出1.5 BLEU；在WMT-14、英語-德語翻譯，比以前方法高出0.5 BLEU。

總結：個人感覺本文採用了很多簡單且非常有效的trick，達到了基於LSTM的NMT方法更好的效果，正因為如此，並不能說，基於CNN seq2seq模型就一定比基於LSTM的Seq2Seq一定好。採用CNN的Seq2Seq最大的優點在於速度快，效率高，缺點就是需要調整的參數太多。上升到CNN和RNN用於NLP問題時，CNN也是可行的，且網路結構搭建更加靈活，效率高，特別是在大數據集上，往往能取得比RNN更好的結果。

下期預告：下期將給大家帶來基於Convolutional Seq2Seq實戰，盡情期待。