1700540630
1700540631
，
1700540632
1700540633
（13.28）
1700540634
1700540635
1700540636
，
1700540637
1700540638
（13.29）
1700540639
1700540640
1700540641
．
1700540642
1700540643
（13.30）
1700540644
1700540645
1700540646
1700540647
上面式子刻画了RNN的第t步，ht−1表示前一步的隐状态，xt采用前一步生成词yt−1的表示向量，xt和ht−1共同作为g的输入，计算当前步的隐状态ht。如果g是一个LSTM单元，隐状态要包含一个用作记忆的状态。隐状态ht是一个d维向量，经线性变换成为一个|Y|维向量，再经过一个Softmax层，计算出选择词的概率分布zt，并采样一个词yt。概率分布zt是一个条件概率，因为xt为词yt−1的表示向量，x1作为一个空字符或RNN头输入暂忽略，所以条件概率写成，进而生成文字序列Y1:T的概率为：
1700540648
1700540649
1700540650
．
1700540651
1700540652
（13.31）
1700540653
1700540654
实际上，RNN每个单元的输出就是联合概率分解后的各个条件概率，根据每个条件概率挑选一个词，依次进行，最终得到一个长度为T的句子。
1700540655
1700540656
1700540657
1700540658
1700540659
图13.18 序列建模LSTM框架
1700540660
1700540661
问题2 训练序列生成器的优化目标通常是什么？GANs框架下有何不同？
1700540662
1700540663
难度：★★★★★
1700540664
1700540665
分析与解答
1700540666
1700540667
GANs框架下有一个生成器Gθ和一个判别器Dφ。对于本问题，生成器的目标是生成文字序列，高度地模仿真实句子；判别器的目标是区分哪些是生成器给的句子，哪些是真实数据集中挑的句子。通俗地讲，就是机器模仿人造句，一方面要让模仿尽可能像，一方面要辨认哪些是机器说的、哪些是人说的。前者工作由生成器负责，后者工作则交给判别器，生成器的工作成果要受到判别器的评判。判别器的优化目标为：
1700540668
1700540669
1700540670
1700540671
1700540672
（13.32）
1700540673
1700540674
这和原GANs中判别器的优化目标一样。
1700540675
1700540676
如果没有GANs，生成器是一个普通的序列生成器，通常会采取什么样的优化目标来训练它？熟悉语言模型的人，会想到最大似然估计，即：
1700540677
1700540678
1700540679
．