【笔记】Encoder-Decoder模型
作者：互联网
Encoder-Decoder Framework
Encoder-Decoder
Encoder
输入:
X
=
(
x
1
,
x
2
,
.
.
.
,
x
T
x
)
X=(x_1, x_2, ..., x_{T_x})
X=(x1,x2,...,xTx)
输出: 上下文向量(context vector)
c
c
c
步骤：
h
t
=
f
(
x
t
,
h
t
−
1
)
c
=
q
(
{
h
1
,
.
.
.
,
h
T
x
}
)
(1)
h_t=f(x_t,h_{t-1}) \\ c=q(\{h_1,..., h_{T_x}\}) \tag{1}
ht=f(xt,ht−1)c=q({h1,...,hTx})(1)
其中，
h
t
∈
R
n
h_t\in \R^n
ht∈Rn 表示t时刻的隐含状态；c表示由隐含状态序列得到的向量；f, q 是非线性模型
举例：Sutskever et al. Sequence to sequence learning with neural networks(NIPS, 2014)
使用 h t = L S T M ( x t , h t − 1 ) , c = h T x h_t=LSTM(x_t,h_{t-1}) , c=h_{T_x} ht=LSTM(xt,ht−1),c=hTx
Decoder
目的：预测下一个翻译出来的词
y
t
y_{t}
yt
输入:
c
c
c，之前预测出来的词
{
y
1
,
.
.
.
,
y
t
−
1
}
\{y_1,..., y_{t-1}\}
{y1,...,yt−1}
步骤：用条件概率表示
p
(
y
)
=
∏
t
=
1
T
p
(
y
t
∣
{
y
1
,
.
.
.
,
y
t
−
1
}
,
c
)
,
y
=
(
y
1
,
.
.
.
,
y
T
y
)
(2)
p(\boldsymbol{y})=\prod^T_{t=1}p(y_t|\{y_1,..., y_{t-1}\},c) ,\boldsymbol{y}=(y_1,...,y_{T_y}) \tag{2}
p(y)=t=1∏Tp(yt∣{y1,...,yt−1},c),y=(y1,...,yTy)(2)
如果使用RNN族，那么条件概率写为
p
(
y
t
∣
{
y
1
,
.
.
.
,
y
t
−
1
}
,
c
)
=
g
(
y
t
−
1
,
s
t
,
c
)
p(y_t|\{y_1,..., y_{t-1}\} ,c)=g(y_{t-1},s_t,c)
p(yt∣{y1,...,yt−1},c)=g(yt−1,st,c)
其中，g是非线性模型；s为隐藏层;
s
t
=
f
(
s
t
−
1
,
y
t
−
1
,
c
)
s_t=f(s_{t-1},y_{t-1},c)
st=f(st−1,yt−1,c)
Decoder with Attention
对公式（2）中定义的条件概率进行修改
p
(
y
i
∣
{
y
1
,
.
.
.
,
y
i
−
1
}
,
X
)
=
g
(
y
i
−
1
,
s
t
,
c
i
)
p(y_i|\{y_1,..., y_{i-1}\} ,X)=g(y_{i-1},s_t,c_i)
p(yi∣{y1,...,yi−1},X)=g(yi−1,st,ci)
参考
[1] https://blog.csdn.net/u014595019/article/details/52826423
标签：...,笔记,Encoder,ht,Decoder,y1,yt 来源： https://blog.csdn.net/orangeOrangeRed/article/details/110228319