1700538994
图10.5 集束搜索示例
1700538995
1700538996
由图可见，当前已经有解码得到的第一个词的两个候选：I和My。然后，将I和My输入到解码器，得到一系列候选的序列，诸如I decided、My decision、I thought等。最后，从后续序列中选择最优的两个，作为前两个词的两个候选序列。很显然，如果b取1，那么会退化为前述的贪心法。随着b的增大，其搜索的空间增大，最终效果会有所提升，但需要的计算量也相应增大。在实际的应用（如机器翻译、文本摘要）中，b往往会选择一个适中的范围，以8～12为佳 。
1700538997
1700538998
解码时使用堆叠的RNN、增加Dropout机制、与编码器之间建立残差连接等，均是常见的改进措施。在实际研究工作中，可以依据不同使用场景，有针对地进行选择和实践。
1700538999
1700539000
另外，解码环节中一个重要的改进是注意力机制，我们会在下一节深入介绍。注意力机制的引入，使得在解码时每一步可以有针对性地关注与当前有关的编码结果，从而减小编码器输出表示的学习难度，也更容易学到长期的依赖关系 。此外，解码时还可以采用记忆网络[28]等，从外界获取知识。
1700539001
1700539002
1700539003
1700539004
1700539005
百面机器学习：算法工程师带你去面试 [:1700532232]
1700539006
百面机器学习：算法工程师带你去面试 06 注意力机制
1700539007
1700539008
1700539009
1700539010
场景描述
1700539011
1700539012
无论机器学习、深度学习还是人工智能，我们似乎都在寻找一种可以模拟人脑的机制，注意力机制（Attention Mechanism）实际上也是源于类似的思路。研究发现，人脑在工作时是有一定注意力的。比如当我们欣赏一幅艺术作品时，可以看到其全貌。而当我们深入关注画作的细节时，其实眼睛只聚焦在了画幅上很小的一部分，而忽略了其他位置的诸如背景等信息，这说明大脑在处理信号时是有一定权重划分的，而注意力机制的提出正是模仿了大脑的这种核心特性。
1700539013
1700539014
知识点
1700539015
1700539016
注意力机制，Seq2Seq，循环神经网络
1700539017
1700539018
问题 Seq2Seq模型引入注意力机制是为了解决什么问题？为什么选用了双向的循环神经网络模型？
1700539019
1700539020
难度：★★★★☆
1700539021
1700539022
分析与解答
1700539023
1700539024
在实际任务（例如机器翻译）中，使用Seq2Seq模型，通常会先使用一个循环神经网络作为编码器，将输入序列（源语言句子的词向量序列）编码成为一个向量表示；然后再使用一个循环神经网络模型作为解码器，从编码器得到的向量表示里解码得到输出序列（目标语言句子的词序列）。
1700539025
1700539026
在Seq2Seq模型中（见图10.6），当前隐状态以及上一个输出词决定了当前输出词，即
1700539027
1700539028
1700539029
，
1700539030
1700539031
（10.20）
1700539032
1700539033
1700539034
1700539035
1700539036
（10.21）
1700539037
1700539038
其中f和g是非线性变换，通常是多层神经网络；yi是输出序列中的一个词，si是对应的隐状态。
1700539039
1700539040
1700539041
1700539042
1700539043
图10.6 序列到序列模型结构示意图