Encoder-Decoder 是 NLP 領域裡的一種模型框架。它被廣泛用於機器翻譯、語音識別等任務。

本文將詳細介紹 Encoder-Decoder、Seq2Seq 以及他們的升級方案Attention。

什麼是 Encoder-Decoder ？

Encoder-Decoder 模型主要是 NLP 領域裡的概念。它並不特值某種具體的算法，而是一類算法的統稱。Encoder-Decoder 算是一個通用的框架，在這個框架下可以使用不同的算法來解決不同的任務。

Encoder-Decoder 這個框架很好的詮釋了機器學習的核心思路：

將現實問題轉化為數學問題，通過求解數學問題，從而解決現實問題。

Encoder 又稱作編碼器。它的作用就是「將現實問題轉化為數學問題」

Decoder 又稱作解碼器，他的作用是「求解數學問題，並轉化為現實世界的解決方案」

把 2 個環節連接起來，用通用的圖來表達則是下面的樣子：

關於 Encoder-Decoder，有2 點需要說明：

1. 不論輸入和輸出的長度是什麼，中間的「向量 c」 長度都是固定的（這也是它的缺陷，下文會詳細說明）
2. 根據不同的任務可以選擇不同的編碼器和解碼器（可以是一個 RNN ，但通常是其變種 LSTM 或者 GRU ）

只要是符合上面的框架，都可以統稱為 Encoder-Decoder 模型。說到 Encoder-Decoder 模型就經常提到一個名詞—— Seq2Seq。

什麼是 Seq2Seq？

Seq2Seq（是 Sequence-to-sequence 的縮寫），就如字面意思，輸入一個序列，輸出另一個序列。這種結構最重要的地方在於輸入序列和輸出序列的長度是可變的。例如下圖：

如上圖：輸入了 6 個漢字，輸出了 3 個英文單詞。輸入和輸出的長度不同。

Seq2Seq 的由來

在 Seq2Seq 框架提出之前，深度神經網絡在圖像分類等問題上取得了非常好的效果。在其擅長解決的問題中，輸入和輸出通常都可以表示為固定長度的向量，如果長度稍有變化，會使用補零等操作。

然而許多重要的問題，例如機器翻譯、語音識別、自動對話等，表示成序列後，其長度事先並不知道。因此如何突破先前深度神經網絡的侷限，使其可以適應這些場景，成為了13年以來的研究熱點，Seq2Seq框架應運而生。

「Seq2Seq」和「Encoder-Decoder」的關係

Seq2Seq（強調目的）不特指具體方法，滿足「輸入序列、輸出序列」的目的，都可以統稱為 Seq2Seq 模型。

而 Seq2Seq 使用的具體方法基本都屬於Encoder-Decoder 模型（強調方法）的範疇。

總結一下的話：

• Seq2Seq 屬於 Encoder-Decoder 的大範疇
• Seq2Seq 更強調目的，Encoder-Decoder 更強調方法

Encoder-Decoder 有哪些應用？

機器翻譯、對話機器人、詩詞生成、代碼補全、文章摘要（文本 – 文本）

「文本 – 文本」 是最典型的應用，其輸入序列和輸出序列的長度可能會有較大的差異。

Google 發表的用Seq2Seq做機器翻譯的論文《Sequence to Sequence Learning with Neural Networks》

語音識別（音頻 – 文本）

語音識別也有很強的序列特徵，比較適合 Encoder-Decoder 模型。

Google 發表的使用Seq2Seq做語音識別的論文《A Comparison of Sequence-to-Sequence Models for Speech Recognition》

圖像描述生成（圖片 – 文本）

通俗的講就是「看圖說話」，機器提取圖片特徵，然後用文字表達出來。這個應用是計算機視覺和 NLP 的結合。

圖像描述生成的論文《Sequence to Sequence – Video to Text》

Encoder-Decoder 的缺陷

上文提到：Encoder（編碼器）和 Decoder（解碼器）之間只有一個「向量 c」來傳遞信息，且 c 的長度固定。

為了便於理解，我們類比為「壓縮-解壓」的過程：

將一張 800X800 像素的圖片壓縮成 100KB，看上去還比較清晰。再將一張 3000X3000 像素的圖片也壓縮到 100KB，看上去就模糊了。

Encoder-Decoder 就是類似的問題：當輸入信息太長時，會丟失掉一些信息。

Attention 解決信息丟失問題

Attention 機制就是為了解決「信息過長，信息丟失」的問題。

Ａttention 模型的特點是 Eecoder 不再將整個輸入序列編碼為固定長度的「中間向量 Ｃ」 ，而是編碼成一個向量的序列。引入了 Ａttention 的 Encoder-Decoder 模型如下圖：

這樣，在產生每一個輸出的時候，都能夠做到充分利用輸入序列攜帶的信息。而且這種方法在翻譯任務中取得了非常不錯的成果。