【课程总结】Day17（下）：初始Seq2Seq模型

"日月忽其不淹兮，春与秋其代序。"

技术更新的车轮在滚滚向前，曾经名噪一时的RNN模型，在新的技术革新下也渐渐落幕，本章我们将初步了解Seq2Seq模型，同时借助Demo代码，对Seq2Seq模型有一个直观了解。

回顾【课程总结】Day15（上）：图像分割之语义分割，我们曾接触到U-Net模型，它是一种Encoder-Decoder模型。在此，我们重新回顾理解Encoder-Decoder模型。

只要符合上面的框架，都可以统称为Encoder-Decoder模型，其中sequence-to-sequence就是Encoder-Decoder的一种特例。

应用：U-net系列算法的应用，如肝脏识别

应用：语音识别

应用：图像描述生成(看图说话)

应用：机器翻译，对话机器人，文章摘要，代码补全

其中，文本（RNN） - 文本（RNN）是NLP第一模型！

序列到序列（seq2seq）模型是一种用于处理序列数据的架构，主要用于将一个输入序列转换为一个输出序列。它广泛应用于机器翻译、文本摘要、对话系统等任务。

下图所示的是一个典型的机器翻译任务中，输入的文本序列(源语言表述)到输出的文本序列(目标语言表述)之间的变换。

进一步，显示编码器和解码器结构如下图：

进一步，展开编码器和解码器的步骤如下图：

进一步，结合之前所了解RNN知识，展开其结构如下图：

解释说明：

Seq - Encoder编码器：
- 作用：解析问句，将其编码为一个中间表达Vector。
- 本质：一个RNN(自动完成循环，一次性得到结果即可)
中间表达：
- 作用：承上启下，既是上句处理的结果，又是下句生成的参考。
- 本质：编码器RNN的最后一个时间步的隐藏状态 hn
Seq - Decoder解码器：
- 作用：把中间表达作为初始化状态，逐个生成下句
- 本质：一个RNN(单步生成，自回归，即：一次生成一个词)

接下来，我们通过运行示例代码，对Seq2Seq模型有一个直观了解。

shell 复制代码

git clone https://github.com/domonic18/seq2seq_demo.git

shell 复制代码

pip install jieba
pip install OpenCC

shell 复制代码

# 进入seq2seq_demo目录
python main.py

运行结果：

可以看到首次运行的时候，预测结果与真实结果相差甚远，可以说翻译的能力很差。

当训练到第6轮的时候，预测结果与真实结果已经非常接近。

输入：Am I wrong?

可以看到经过初步训练，模型可以翻译简单的英语句子。

输入：A word spoken is past recalling.

对比有道词典的翻译结果，其翻译能力还是不足的。原因是当前的demo中data训练集只有3万条数据，如果加大data.txt的训练集数据，模型的能力是可以进一步提升的。

Encoder-Decoder是一种通用的架构，Encoder-Decoder模型有多种应用，其中文本-文本广泛应用于机器翻译、文本摘要，对话系统等任务，是NLP的第一模型。
Seq2Seq模型是Encoder-Decoder模型的一种特例。
Encoder编码器的作用是解析问句，将其编码为一个中间表达Vector，其本质是一个RNN。
中间表达承上启下，既是上句处理的结果，又是下句生成的参考，其本质是编码器RNN的最后一个时间步的隐藏状态 hn
Decoder解码器的作用是把中间表达作为初始化状态，逐个生成下句，其本质是一个自回归的RNN。