本文主要用于记录谷歌发表于2014年的一篇神作（引用量上千），现已被广泛使用的Sequence to Sequence模型论文。方便初学者快速入门，以及自我回顾。

论文链接：https://papers.nips.cc/paper/5346-sequence-to-sequence-learning-with-neural-networks.pdf

基本目录如下：

1. 摘要
2. 核心思想
3. 总结

------------------第一菇 - 摘要------------------

1.1 论文摘要

深度神经网络（DNNS）在2014年之前已经被证明可用于各种复杂的学习任务，并且均被证实其可行性及高准确率。但是其有一个弊端，即它需要有足够的标注数据，因此其并不适用于去做序列到序列的映射任务（map sequences to sequences）。本论文主要贡献在于提出了一种端到端（end-to-end）的神经网络模型，来学习这种映射关系。作者用一个多层的LSTM网络来将输入序列映射（编码）为一个固定大小纬度的向量，再用另外一个多层的LSTM网络来解码该向量为输出序列。为了论证该模型的可行性，作者将其应用于英语-法语的翻译任务，最终发现其所能达到的效果与当时最好的成绩（可能是某一种SMT，统计机器翻译模型）相差无几。最后，作者对模型以及实验结果进行分析以后，还发现几个有趣的点。1）模型对句子的主动与被动语态并不敏感，但是对输入词的顺序很敏感。2）倒序输入句子能提升模型效果

------------------第二菇 - 核心思想------------------

2.1 论文模型结构

话不多说，直接介绍该论文提出的模型结构。NLP里面的王牌长短时记忆模型（LSTM）当仁不让的被选为作为该模型的基础。主要的思想就是，用一个LSTM（已经被证实能很好的解决长时序列依赖问题）来编码输入序列，顺序输入序列（one step at a time，并没有对输入序列对长度做限制！），以此我们就会得到一个固定大小纬度的向量表达，然后再用另一个LSTM（本质上就是一个语言模型，除了其初始状态就是输入序列被编码得到的向量）来解码该向量，并得到输出序列。可以说这套Seq2Seq框架的提出，为之后的序列映射任务（比如机器翻译等）的质量提升，奠定了扎实的基础。没有理解透其原理的读者，可以再多看一眼论文的图1，我这边也贴出来了，简单理解一下就是输入序列为ABC以及输入序列结束符号<EOS>，从<EOS>开始解码出WXYZ以及结束符号<EOS>，停止解码。多说一句该模型架构在翻译任务上，均取得了不错的效果，且还有巨大的提升空间（比如引入注意力机制），具体细节可以看论文第一章。

model.jpeg

在随后介绍模型的第二章，作者也强调了他们对LSTM一些改进的点，主要可以归纳为如下3点：
1）他们使用了2个不同的LSTM模型，以此在增加模型参数的同时，计算量的增加微乎其微，但却提高量模型的泛化能力。
2）实验证明，深层的LSTM模型要比浅层的表现更好，这也符合我们的一贯认知。
3）倒序输入句子，意思就是ABC输入的顺序为CBA，实验表征这样的效果更好。论文自己也很坦诚说自己还没有给出完善的理论依据，但也强行解释了一波，这里我的理解是，顺序与逆序输入并没有改变平均距离（这里距离指的是time step diff），但是却让一开始的几个词他们的距离变短了，而句子末尾的词距离变长的代价似乎并不显著，因此逆序输入会得到更好的效果。

还有一个模型细节可以提一下就是，在解码阶段，beam search解码方式被采用，且能显著提高准确率。该方法其实本质就是在解码各阶段保留多个候选句子，最后在选择概率最大的序列。如果该方法的保留个数为1，其实就是贪心的思想，每一次解码都选取概率最大的那个值。该论文给出的结论是当size为2的时候，模型的表现最好。更多有关该方法的讨论大家可以移步该博客。

更多关于模型的训练细节，大家还是仔细看一下论文的第三章，这里就不展开介绍了，唯一想记录的一点就是，他们实验的时候尽量保证一个Batch的句子长度相似，据说提高了2倍的训练速度。

2.2 论文实验结果分析

具体的实验结果这里就不展现了，原文中也表述的十分清晰，该框架模
型的结果还是杠杠的，这里具体谈2个比较有趣且有价值的点。
1）模型对句子中词的先后顺序较为敏感，但是对其语态并不敏感。这里再贴一张原文的图如下：

result2.png

大家可以发现，John和Mary的顺序颠倒以后，并没有很好的聚合到一起，倒是admires和is in love with能聚合到一起，由此可见，我们的模型对句子对顺序是十分敏感的。

2）该框架模型对长句的翻译表现出乎意料的好。这里贴一张原文的图如下：

Figure 3.png

左图呈现了BLEU分数随着句子长度的增加，我们的模型表现并没有呈现明显的下降趋势（其实还在上升），只有在超过35字以后，才略微有一点下降。这也说明了该模型框架对于长句的处理也是足够能胜任的，能想到的就是在实际应用中可能也不需要特别对长句做特殊处理。

右图呈现的就是对那些比较生僻的句子，模型的泛化能力，可以看到模型下降的趋势还是比较明显的，这倒也不难理解，毕竟生僻句子在数据集本身占比就少，如果有特殊的应用场景，那通常的做法我们都是加该场景下的特殊数据，进行微调，应该也能取得不错的效果。

------------------第三菇 - 总结------------------

3.1 总结

到这里，整篇论文的核心思想及其创新点已经说清楚了。这套seq2seq的框架，也为后续的序列映射任务奠定了基础。论文作者也是尤其惊诧逆序输入句子对效果的提升，以及该模型对长句的翻译能力！

简单总结一下本文就是先罗列了一下该论文的摘要，再具体介绍了一下模型细节，最后再具体探讨了几个创新的来结束该论文笔记。希望大家读完本文后能进一步加深对该论文的理解。有说的不对的地方也请大家指出，多多交流，大家一起进步～😁