seq2seq

seq2seq:

seq2seq就是将输入序列经过encoder-decoder变成目标序列。

    

如图所示，输入序列是 [A, B, C, <EOS>]，输出序列是  [W, X, Y, Z, <EOS>]

encoder-decoder:

    主要过程就是用RNN对输入序列进行编码，然后再用RNN对上下文向量进行解码。

实现方式：

1、tf.nn.dynamic_rnn

    参考：https://github.com/ematvey/tensorflow-seq2seq-tutorials/blob/master/1-seq2seq.ipynb

    流程：

    输入序列： [A,B,C,EOS]，其中A，B，C, EOS都要进行embedding，encoder部分的代码如下所示：

encoder_cell = tf.contrib.rnn.LSTMCell(encoder_hidden_units)

encoder_outputs, encoder_final_state = tf.nn.dynamic_rnn(
    encoder_cell, encoder_inputs_embedded,
    dtype=tf.float32, time_major=True,
)

　encoder_outputs是一个时间步的输出，这个在decoder中用不到。encoder_final_stata是最后一层的输出结果，encoder_final_state是一个二元组，(整体的记忆c，隐藏层状态h)，然后用encoder_final_state来初始化decoder的状态，而decoder的输入序列为 [EOS, A, B, C]，因为dynamic_rnn不能根据上一步的输出来作为当前的输入，所以对于输入来说是固定，而非动态变化的。

decoder_cell = tf.contrib.rnn.LSTMCell(decoder_hidden_units)

decoder_outputs, decoder_final_state = tf.nn.dynamic_rnn(
    decoder_cell, decoder_inputs_embedded,

    initial_state=encoder_final_state,

    dtype=tf.float32, time_major=True, scope="plain_decoder",
)

2、tf.nn.raw_rnn

这种方法不像dynamic_rnn那样固定，它比较灵活，可以通过迭代函数改变每一个时间步的 输入状态、输入。

offical document 

tf.nn.raw_rnn(
    cell, //基础神经元
    loop_fn, //迭代函数，每次的状态与输入都可以在这里定义
    parallel_iterations=None,
    swap_memory=False,
    scope=None
)
输出：
(emit_ta, final_state, final_loop_state)，其中emit_ta是TensorArray类型，其实就是每一个时间步输出的tensor的数组，final_state最后的状态，final_loop_state这个好像是None，不知道啥作用

 实现步骤

整体：

decoder_outputs_ta, decoder_final_state, _ = tf.nn.raw_rnn(decoder_cell, loop_fn) //decoder_cell是基础神经单元，loop_fn是迭代函数

迭代函数：

//迭代函数包含time, previous_output, previous_state, previous_loop_state(这个相当于LSTM中那个全局的记忆）
def loop_fn(time, previous_output, previous_state, previous_loop_state):
    if previous_state is None:    # time == 0， 初始化
        assert previous_output is None and previous_state is None
        return loop_fn_initial()
    else:
        return loop_fn_transition(time, previous_output, previous_state, previous_loop_state) //在上一个时间步结束后，即将进入当前时间步时会执行该函数，目的就是确定要将哪些内容传给下一步作为状态输入和输入向量

初始化函数：

def loop_fn_initial():
    initial_elements_finished = (0 >= decoder_lengths)  # all False at the initial step
    initial_input = eos_step_embedded #第一步的输入是EOS
    initial_cell_state = encoder_final_state #状态输入就是encoder的最终输出状态，包括(c,h)
    initial_cell_output = None
    initial_loop_state = None  # we don't need to pass any additional information
    return (initial_elements_finished,
            initial_input,
            initial_cell_state,
            initial_cell_output,
            initial_loop_state)

迭代函数：

def loop_fn_transition(time, previous_output, previous_state, previous_loop_state):
    #如何获取上一步的输出
     yhat = softmax(previous_output * W + b)
     然后概率最大的那个yhat即为上一步的输出结果，并对这个结果进行embedding,作为下一步的输入

    def get_next_input():
        output_logits = tf.add(tf.matmul(previous_output, W), b)
        prediction = tf.argmax(output_logits, axis=1)
        next_input = tf.nn.embedding_lookup(embeddings, prediction)
        return next_input

    #判断是否停止，常数 >= tensor向量，tensor中每个位置都要和常数进行比较，结果是一个布尔型的tensor向量
    elements_finished = (time >= decoder_lengths) # this operation produces boolean tensor of [batch_size]
                                                  # defining if corresponding sequence has ended
    #因为这是一个batch块，所以该batch完成的标志是 所有的item都finish，所以需要reduce_all
    finished = tf.reduce_all(elements_finished) # -> boolean scalar
    #当前步的输入 = 上一步的输出（get_next_input)
    #tf.cond(条件，True时调用的函数, False时调用的函数)
    input = tf.cond(finished, lambda: pad_step_embedded, get_next_input)
    state = previous_state #状态不用改变直接传过去
    output = previous_output #previous_output也不用变，好像这个output是一个TensorArray吧？
    loop_state = None

    return (elements_finished, 
            input,
            state,
            output,
            loop_state)

 调用过程：

decoder_outputs_ta, decoder_final_state, _ = tf.nn.raw_rnn(decoder_cell, loop_fn)

　这样就实现了将上一步decoder出来的结果作为下一步的输入，真正实现上图中的过程。

待补充Attention机制

参考：

https://github.com/ematvey/tensorflow-seq2seq-tutorials

https://hanxiao.github.io/2017/08/16/Why-I-use-raw-rnn-Instead-of-dynamic-rnn-in-Tensorflow-So-Should-You-0/