Seq2Seq模型次要在NLP，机器翻译，序列预测等问题上效果显著。
个别状况下能够合成Seq2Seq模型为两个子模型：Encoder和Decoder。

  • Encoder的输出为原始的序列数据，输入为通过NN泛化的表征Tensor（惯例操作）；此output便是Decoder的input。通过Encoder进行编码的raw data，再通过Decoder进行解码为另外齐全不同的output（例如：英文到中文的转换）

那么在构建这样一个Seq2Seq模型须要哪几步呢？

1. 定义Encoder模型中的数据输出参数

encoder_decoder_model_inputs创立并返回与模型相干的参数（tf占位符）

def enc_dec_model_inputs():    inputs = tf.placeholder(tf.int32, [None, None], name='input')    targets = tf.placeholder(tf.int32, [None, None], name='targets')    target_sequence_length = tf.placeholder(tf.int32, [None], name='target_sequence_length')    max_target_len = tf.reduce_max(target_sequence_length)    return inputs, targets, target_sequence_length, max_target_len
  • inputs占位符为了接管原始英文句子，shape==（None，None）别离示意batch size和句子长度。这里有个小trick，不同batch中句子的长度可能是不同的，所以不能设置为固定长度。通用解决办法是设置每一个batch中最长的句子长度为最大长度（必须通过Padding补齐）。
  • targets占位符接管原始中文句子
  • target_sequence_length占位符示意每个句子的长度，shape为None，是列张量，与批处理大小雷同。该特定值是与前面的TrainerHelper的参数，用于构建用于训练的解码器模型。
  • max_target_len是指从所有指标句子（序列）的长度中获取最大值。target_sequence_length参数中蕴含所有句子的长度。从中获取最大值的办法是应用tf.reduce_max。

2.建设Decoder模型

编码模型由两个不同局部组成。第一局部是嵌入层；句子中的每个单词都将应用指定为encoding_embedding_size来泛化。这一层对文字信息压缩编码表示。第二局部是RNN层。在此实际中，在利用embedding之后，多个LSTM单元被重叠在一起。当然能够应用不同品种的RNN单元，例如GRU。

def encoding_layer(rnn_inputs, rnn_size, num_layers,                        keep_prob,                    source_vocab_size,                    encoding_embedding_size):    """    :return: tuple (RNN output, RNN state)    """    embed = tf.contrib.layers.embed_sequence(rnn_inputs,                vocab_size=source_vocab_size, embed_dim=encoding_embedding_size)    stacked_cells = tf.contrib.rnn.MultiRNNCell([tf.contrib.rnn.DropoutWrapper(tf.contrib.rnn.LSTMCell(rnn_size), keep_prob) for _ in range(num_layers)])    outputs, state = tf.nn.dynamic_rnn(stacked_cells,                            embed, dtype=tf.float32)    return outputs, state
  • embedding layer：tf.keras.layers.Embedding

  • RNN layer：

    1. TF contrib.rnn.LSTMCell 形容存在多少个外在神经元节点
    2. TF contrib.rnn.DropoutWrapper 退出dropout参数
    3. TF contrib.rnn.MultiRNNCell 连贯多个RNN cell
  • Encoder model：TF nn.dynamic_rnn 组合embedding层与RNN层

3.定义Decoder模型中的数据输出参数

对于Decoder中的训练和推理，须要不同的输出。在训练过程中，输出由embedded后的指标label提供；在推理阶段，每个工夫步的输入将是下一时间步的输出。它们也须要embedding，并且embedded向量应在两个不同的阶段之间共享。

  • 那么训练过程中 如何让模型晓得接下来就是target label呢？ 答案是在target label之前退出标识符。如下：
def process_decoder_input(target_data, target_vocab_to_int, batch_size):    # get '<GO>' id    go_id = target_vocab_to_int['<GO>']    after_slice = tf.strided_slice(target_data, [0, 0], [batch_size, -1], [1, 1])    after_concat = tf.concat( [tf.fill([batch_size, 1], go_id), after_slice], 1)    return after_concat

4.建设Decoder模型中的训练局部

解码模型能够思考两个独立的过程，即训练和推理。不是它们具备不同的体系结构，而是它们共享雷同的体系结构及其参数。他们有不同的策略来提供共享模型。
尽管编码器应用tf.contrib.layers.embed_sequence，但它可能不适用于解码器，就算须要embedded其输出。那是因为应该通过训练和推断阶段来共享雷同的embedded向量。 tf.contrib.layers.embed_sequence只能在运行之前embedded筹备好的数据集。推理过程所需的是动静embedded性能。在运行模型之前，不可能嵌入推理过程的输入，因为以后工夫步的输入将是下一时间步的输出。
那么到底在推理过程中是如何嵌入的？下一节将会讲到。须要记住的是训练和推理过程共享雷同的嵌入参数。对于培训局部，应提供嵌入的输出。在推断局部，仅传递训练局部中应用的嵌入参数。

def decoding_layer_train(encoder_state, dec_cell, dec_embed_input,                target_sequence_length, max_summary_length,                output_layer, keep_prob):    """    Create a training process in decoding layer    :return: BasicDecoderOutput containing training logits and sample_id    """    dec_cell = tf.contrib.rnn.DropoutWrapper(dec_cell,    output_keep_prob=keep_prob)    # for only input layer    helper = tf.contrib.seq2seq.TrainingHelper(dec_embed_input,    target_sequence_length)    decoder = tf.contrib.seq2seq.BasicDecoder(dec_cell,    helper,    encoder_state,    output_layer)    # unrolling the decoder layer    outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder,    impute_finished=True,    maximum_iterations=max_summary_length)    return outputs
  • tf.contrib.seq2seq.TrainingHelper:TrainingHelper是用来传递embedded输出参数的。顾名思义，这只是一个helper实例。该实例由BasicDecoder调用，这就是构建解码器模型的理论流程。
  • tf.contrib.seq2seq.BasicDecoder：BasicDecoder构建解码器模型。这意味着它将解码器端的RNN层与TrainingHelper筹备的输出连接起来。
  • tf.contrib.seq2seq.dynamic_decode：dynamic_decode开展解码器模型，以便BasicDecoder能够针对每个工夫步长检索理论预测。

5. 建设decoder模型中的推理局部

  • tf.contrib.seq2seq.GreedyEmbeddingHelper:：GreedyEmbeddingHelper动静获取以后步骤的输入，并将其提供给下一个步骤的输出。为了动静地嵌入每个输出后果，应提供嵌入参数（只是一堆权重值）。同时，GreedyEmbeddingHelper要求提供与批处理大小和end_of_sequence_id雷同数量的start_of_sequence_id。
def decoding_layer_infer(encoder_state, dec_cell, dec_embeddings, start_of_sequence_id,                end_of_sequence_id, max_target_sequence_length,                vocab_size, output_layer, batch_size, keep_prob):    """    Create a inference process in decoding layer    :return: BasicDecoderOutput containing inference logits and sample_id    """    dec_cell = tf.contrib.rnn.DropoutWrapper(dec_cell,    output_keep_prob=keep_prob)    helper = tf.contrib.seq2seq.GreedyEmbeddingHelper(dec_embeddings,    tf.fill([batch_size], start_of_sequence_id),    end_of_sequence_id)    decoder = tf.contrib.seq2seq.BasicDecoder(dec_cell,    helper,    encoder_state,    output_layer)    outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder,    impute_finished=True,    maximum_iterations=max_target_sequence_length)    return outputs

6.建设Decoder layer

6.1. Embed the target sequences
  • tf.contrib.layers.embed_sequence:创立嵌入参数的外部示意，因而咱们无奈考察或检索它。相同，您须要通过TF Variable手动创立嵌入参数。
  • 手动创立的嵌入参数用于训练阶段，在运行训练之前通过TF nn.embedding_lookup转换提供的指标数据（句子序列）。带有手动创立的嵌入参数的TF nn.embedding_lookup返回的后果与TF contrib.layers.embed_sequence类似。对于推理过程，每当通过解码器计算以后工夫步的输入时，它将被共享的嵌入参数嵌入，并成为下一个工夫步的输出。您只须要向GreedyEmbeddingHelper提供embedding参数，将对处理过程有所帮忙。
  • tf.nn.embedding_lookup：简而言之，检索出合乎指定行。
  • 对于tf.variable_scope相干，请查看此链接
6.2 Construct the decoder RNN layer(s)

Decoder与Encoder中RNN的层数必须统一

6.3 创立一个输入层以将解码器的输入映射到咱们词汇表的元素

全连贯层以获取每个单词最初呈现的概率。

def decoding_layer(dec_input, encoder_state,            target_sequence_length, max_target_sequence_length,            rnn_size,num_layers, target_vocab_to_int, target_vocab_size,            batch_size, keep_prob, decoding_embedding_size):    """    Create decoding layer    :return: Tuple of (Training BasicDecoderOutput, Inference BasicDecoderOutput)    """    target_vocab_size = len(target_vocab_to_int)    dec_embeddings = tf.Variable(tf.random_uniform([target_vocab_size, decoding_embedding_size]))    dec_embed_input = tf.nn.embedding_lookup(dec_embeddings, dec_input)    cells = tf.contrib.rnn.MultiRNNCell([tf.contrib.rnn.LSTMCell(rnn_size) for _ in range(num_layers)])    with tf.variable_scope("decode"):    output_layer = tf.layers.Dense(target_vocab_size)    train_output = decoding_layer_train(encoder_state,    cells,    dec_embed_input,    target_sequence_length,    max_target_sequence_length,    output_layer,    keep_prob)    with tf.variable_scope("decode", reuse=True):    infer_output = decoding_layer_infer(encoder_state,    cells,    dec_embeddings,    target_vocab_to_int['<GO>'],    target_vocab_to_int['<EOS>'],    max_target_sequence_length,    target_vocab_size,    output_layer,    batch_size,    keep_prob)    return (train_output, infer_output)

7.建设Seq2Seq模型

最终，encoding_layer, process_decoder_input, and decoding_layer等函数组合起来建设Seq2Seq模型。

def seq2seq_model(input_data, target_data, keep_prob, batch_size,                    target_sequence_length,                    max_target_sentence_length,                    source_vocab_size, target_vocab_size,                    enc_embedding_size, dec_embedding_size,                    rnn_size, num_layers, target_vocab_to_int):    """    Build the Sequence-to-Sequence model    :return: Tuple of (Training BasicDecoderOutput, Inference BasicDecoderOutput)    """    enc_outputs, enc_states = encoding_layer(input_data,    rnn_size,    num_layers,    keep_prob,    source_vocab_size,    enc_embedding_size)    dec_input = process_decoder_input(target_data,    target_vocab_to_int,    batch_size)    train_output, infer_output = decoding_layer(dec_input,    enc_states,    target_sequence_length,    max_target_sentence_length,    rnn_size,    num_layers,    target_vocab_to_int,    target_vocab_size,    batch_size,    keep_prob,    dec_embedding_size)    return train_output, infer_output

8.建设动态图，loss函数，优化器，梯度裁剪（RNN网络必加）

save_path = 'checkpoints/dev'(source_int_text, target_int_text), (source_vocab_to_int, target_vocab_to_int), _ = load_preprocess()max_target_sentence_length = max([len(sentence) for sentence in source_int_text])train_graph = tf.Graph()with train_graph.as_default():    input_data, targets, target_sequence_length, max_target_sequence_length = enc_dec_model_inputs()    lr, keep_prob = hyperparam_inputs()    train_logits, inference_logits = seq2seq_model(tf.reverse(input_data, [-1]),    targets,    keep_prob,    batch_size,    target_sequence_length,    max_target_sequence_length,    len(source_vocab_to_int),    len(target_vocab_to_int),    encoding_embedding_size,    decoding_embedding_size,    rnn_size,    num_layers,    target_vocab_to_int)    training_logits = tf.identity(train_logits.rnn_output, name='logits')    inference_logits = tf.identity(inference_logits.sample_id, name='predictions')    # https://www.tensorflow.org/api_docs/python/tf/sequence_mask    # - Returns a mask tensor representing the first N positions of each cell.    masks = tf.sequence_mask(target_sequence_length, max_target_sequence_length, dtype=tf.float32, name='masks')    with tf.name_scope("optimization"):        # Loss function - weighted softmax cross entropy        cost = tf.contrib.seq2seq.sequence_loss(        training_logits,        targets,        masks)        # Optimizer        optimizer = tf.train.AdamOptimizer(lr)        # Gradient Clipping        gradients = optimizer.compute_gradients(cost)        capped_gradients = [(tf.clip_by_value(grad, -1., 1.), var) for grad, var in gradients if grad is not None]        train_op = optimizer.apply_gradients(capped_gradients)
8.1 dataloader

(source_int_text, target_int_text)为输出数据，(source_vocab_to_int, target_vocab_to_int)为查找每个值对应的索引值的字典

8.2 create inputs

详见代码

def hyperparam_inputs():    lr_rate = tf.placeholder(tf.float32, name='lr_rate')    keep_prob = tf.placeholder(tf.float32, name='keep_prob')        return lr_rate, keep_prob
8.3 建设seq2seq model

返回训练与推理后果

8.4 损失函数

TF contrib.seq2seq.sequence_loss：Weighted cross-entropy loss for a sequence of logits.为时序模型专用

8.5 优化器
8.6 梯度裁剪

RNN根本都会面临的问题就是训练过程中的梯度爆炸。解决办法就是梯度裁剪。罕用的梯度裁剪有两种办法：

  1. 间接依据参数的梯度值间接进行裁剪
  2. 由若干参数的梯度组成向量的L2正则化进行裁剪

此处应用的是第一种办法：
通过确定阈值以使梯度放弃在某个边界内。具体一点此处是阈值范畴在-1和1之间。下面代码中的构建流程为：

  • 通过调用compute_gradients手动从优化器中获取梯度值，
  • 而后应用clip_by_value操作梯度值
  • 须要通过调用apply_gradients将批改后的梯度放回到优化器中

此框架曾经扩大到生理信号分类我的项目，泛化性能最高。