seq2seq编码器-解码器实现

我们在之前的文章快速上手LSTM-CSDN博客中提及了RNN的几种不同的类型，其中有同步的 many to many 的根据视频的每一帧对视频分类任务，以及异步的 many to many 文本翻译。对于这种输入和输出不等长的序列，我们采用seq2seq（sequence to sequence）模型解决。

1. Seq2seq

seq2seq 是由 encoder（编码器）和 decoder（解码器）构成，这个 encoder 和 decoder 都是由 RNN 组成的。其中 encoder 负责对输入句子的理解，转化为 context vector（语义向量），decoder 负责对理解后的句子的向量进行处理，解码，获得输出。这个过程就和我们人在看到一段话，理解段落大意之后按照自己的方式表达出来。

那么在这需要注意一个问题，在 encoder 的过程中得到的 context vector 作为 decoder 的输入，那么这样一个输入如何得到多个输出呢？

其实就是当前时间步输出，作为下一个单元的输入，然后得到下一个时间步的输出，依次循环直至遇到结束符 “<EOS>”（“<END>”）。当然，我们收集的数据都是没有这些特殊词元（“<UNK>”，“<PAD>”，“<SOS>”， “<EOS>”等）的，需要我们在数据集中自行添加。

2. encoder

encoder 的目的就是对文本进行编码，这里首先要明白我们的输入是会先经过 embedding 的得到的embedded，我们在 encoder 和 decoder 中可以使用rnn，lstm或者是gru，两个编码器都得使用同样的。在encoder中每一个时间步的输入都会得到结果，比如上面这句“Are you free tomorrow？” 会被处理成 'Are' 'you' 'free' 'tomorrow' '?' <EOS>，所以我们输入的句子长度是比原始句子多一出一个 <EOS> 词元的，整个过程是一个和句子长度相关（包含<EOS>词元）的循环。

注意：1. 我们一般使用 encoder 最后一个时间步的输出作为句子的编码结果。

2. <EOS> 词元只会在 encoder 中被使用。

"""
编码器
"""
import torch.nn as nn
from torch.nn.utils.rnn import pad_packed_sequence, pack_padded_sequence
import configclass Encoder(nn.Module):def __init__(self):super(Encoder, self).__init__()self.embedding = nn.Embedding(num_embeddings=len(config.num_sequence),embedding_dim=config.embedding_dim,padding_idx=config.num_sequence.PAD) # padding_idx 不会被更新，注意传入的是数值不是字符串self.gru = nn.GRU(input_size=config.embedding_dim,num_layers=config.num_layer,hidden_size=config.hidden_size,bidirectional=False, batch_first=True,dropout=0.5)def forward(self, input, input_length):""":param input: [batch_size, seq_len]:param input_length: 输入进编码器的句子的真实长度:return:"""input_embedded = self.embedding(input)  # input_embedded: [batch_size, seq_len, embedding_dim]# 打包，加速计算input_embedded = pack_padded_sequence(input_embedded, input_length, batch_first=True)out, hidden = self.gru(input_embedded)  # hidden: [num_layers*num_directions, batch_size, hidden_size]# out: [batch_size, seq_len, hidden_size]# 解包out, out_length = pad_packed_sequence(out, padding_value=config.num_sequence.PAD,batch_first=True)return out, out_length, hidden

我们可以看一下输出打印一下 encoder的结构和 encoder的输出

if __name__ == '__main__':from dataset import train_data_loaderencoder = Encoder()print(encoder)for data, label, data_length, label_length in train_data_loader:out, out_length, hidden = encoder(data, data_length)print(out.shape)print(hidden.shape)print(out_length)break

Encoder((embedding): Embedding(14, 50, padding_idx=0)(gru): GRU(50, 32, num_layers=2, batch_first=True, dropout=0.5)
)
torch.Size([128, 8, 32])
torch.Size([2, 128, 32])
tensor([8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8,8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8,8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8,8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8,8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8, 7, 7, 7, 7, 7,7, 7, 7, 7, 7, 6, 6, 5])

补充：

在上面使用了 torch.nn.utils.rnn 提供的一对函数 pack_padded_sequence() 用来打包数据和 pad_packed_sequence() 用来解包数据，这里有个比较坑的点，它输入的数据需要根据输入句子真实长度降序排序，且要求输入的数据是填充过的。它能够帮我们加速计算，因为我们的每一个 batch 中的句子长度都必须一致，但是输入的文本的句子大多数情况都是长短不一的，所以我们会对句子长度进行填充，截断，使句子保持一致，对于我们用于填充的特殊词元，我们并不希望它进入encoder，如果填充的值进入了 encoder 里会对句子语义的理解出现误差，因为填充的地方在原来的句子是没有词的，还有就是会加大计算量。

例如：

有一个batch_size为2的数据sentence_1:[9, 4, 6, 6, 3, 7, 8, 1]，sentence_1:[3, 5, 6, 0, 0, 0, 0, 0]真实的句子长度分别为8和3。填充词元 <PAD> 的值是0，先不考虑embedding，首先我们会根据句子长度降序排序得到：

batch: [[9, 2, 4, 6, 3, 7, 8, 1],

[3, 5, 6, 0, 0, 0, 0, 0]]

pack_padded_sequence() 会根据传入的真实句子长度，以及填充词元的值0，传入encoder的数据会被打包成

batch: [[9, 2, 4, 6, 3, 7, 8, 1],

[3, 5, 6] ]

pad_packed_sequence() 会将压缩完数据填充回去。

3.context vector（语义向量C）

对于 encoder 的输出结果我们使用它的 context vector ，参与 decoder 的计算，有两种方式，第一中方式是只参与 decoder 中第一个时间步，每个时间步的输出做为下一个时间步的输入。如下：

第二种方式是参与 decoder 中的每一个时间步，每个时间步的输出做为下一个时间步的输入。如下：

4. decoder

在解码器中，通过循环依次计算每个时间步。在这里我们将 context vector 作为初始的隐层状态，输入置为 [batch_size, 1] （特殊词元“<SOS>”值为1，代表句子开始，编码器开始工作），每一次时间步输出[batch_size, hidden_size] ，，hidden_size映射到vocab_size，当前这这个输出的词作为下一个时间步的输入再进行解码。解码器完成整个句子的解码之后会获得 seq_len 的输出拼接（concat）成 [batch_size, seq_len, vocab_size] 。

"""
解码器1.获取encoder的输出，作为decoder初始的hidden_state2.decoder的第一个时间步输入 <SOS>：[batch_size, 1]3.得到第一个时间步输出 hidden_state
"""
import torch.nn as nn
import torch
import torch.nn.functional as F
import configclass Decoder(nn.Module):def __init__(self):super(Decoder, self).__init__()self.embedding = nn.Embedding(num_embeddings=len(config.num_sequence),embedding_dim=config.embedding_dim,padding_idx=config.num_sequence.PAD)self.gru = nn.GRU(input_size=config.embedding_dim,hidden_size=config.hidden_size,num_layers=config.num_layer,bidirectional=False, batch_first=True,dropout=0.5)self.fc = nn.Linear(config.hidden_size, len(config.num_sequence))def forward(self, label, context_vector):""":param label::param context_vector: 语义向量 context vector:return:"""# 获取encoder的输出，作为decoder初始的hidden_statedecoder_hidden = context_vector# 得到 [batch_size, 1] 实现 <SOS># 作为decoder的第一个时间步的输入batch_size = label.size(0)decoder_input = torch.LongTensor(torch.ones([batch_size, 1], dtype=torch.int64)*config.num_sequence.SOS).to(config.device)# 保存预测的结果decoder_outputs = torch.zeros([batch_size, config.max_sentence_len+2, len(config.num_sequence)]).to(config.device)for i in range(config.max_sentence_len+2):decoder_output_t, decoder_hidden_t = self.forward_step(decoder_input, decoder_hidden)# 保存decoder_outputs[:, i, :] = decoder_output_tvalue, idx = torch.topk(decoder_output_t, 1)decoder_input = idx # 拿到这个词的序列return decoder_outputs, decoder_hidden_tdef forward_step(self, decoder_input, decoder_hidden):"""完成每一个时间步的计算:param decoder_input: [batch_size, 1]:param decoder_hidden: [1, batch_size, hidden_size]"""decoder_input_embedded = self.embedding(decoder_input) # [batch_size, 1, embedding_dim]out, decoder_hidden = self.gru(decoder_input_embedded, decoder_hidden) # out: [batch_size, 1, hidden_size]# decoder_hidden: [1, batch_size, hidden_size]# 完成到词表的映射hidden_size -> vocab_sizeout = out.squeeze(1) # out: [batch_size, 1, hidden_size] -> [batch_size, hidden_size]out = self.fc(out) # out: [batch_size, hidden_size] -> [batch_size, vocab_size]output = F.log_softmax(out, dim=-1)# print("output:", output.shape)return output, decoder_hidden

5. 结语

总之，seq2seq模型通过encoder接收一个长度为N的序列，得到一个context vector ，然后由 decoder 把这一个 context vector 转化为长度为M的序列作为输出，从而实现了一个N to M的模型，用于处理输入序列和输出序列不同的任务，比如，文本翻译、文章摘要、问答等等。

代码实现可参考seq2seq实现案例已上传仓库liaolaa / string-prediction · GitCode