From 214343af349f585fc775acb522bbf93bd5427b10 Mon Sep 17 00:00:00 2001 From: livc Date: Thu, 15 Dec 2016 10:54:48 +0800 Subject: [PATCH] modify details --- doc/howto/deep_model/rnn/rnn_cn.md | 48 +++++++++++++++--------------- 1 file changed, 24 insertions(+), 24 deletions(-) diff --git a/doc/howto/deep_model/rnn/rnn_cn.md b/doc/howto/deep_model/rnn/rnn_cn.md index 496a54d011..78779eb39d 100644 --- a/doc/howto/deep_model/rnn/rnn_cn.md +++ b/doc/howto/deep_model/rnn/rnn_cn.md @@ -32,25 +32,25 @@ yield src_ids, trg_ids, trg_ids_next 配置循环神经网络架构 ----------------------------------------------- -### 简单门控(Simple Gated)循环神经网络 +### 简单门控循环神经网络(Gated Recurrent Neural Network) 循环神经网络在每个时间步骤顺序地处理序列。下面列出了 LSTM 的架构的示例。 ![image](../../../tutorials/sentiment_analysis/bi_lstm.jpg) -一般来说，循环网络从 *t* = 1 到 *t* = *T* 或者相反从 *t* = *T* 到 *t* = 1 执行以下操作。 +一般来说，循环网络从 *t* = 1 到 *t* = *T* 或者反向地从 *t* = *T* 到 *t* = 1 执行以下操作。 *x**t* + 1 = *f**x*(*x**t*),*y**t* = *f**y*(*x**t*) -其中 *f**x*(.) 称为**阶跃函数**，而 *f**y*(.) 称为**输出函数**。在 vanilla 循环神经网络中，阶跃函数和输出函数都非常简单。然而，PaddlePaddle 支持通过修改这两个函数来配置非常复杂的架构。 我们将使用 sequence to sequence 模型演示如何配置复杂的循环神经网络模型。在本节中，我们将使用简单的 vanilla 循环神经网络作为使用`recurrent_group`配置简单循环神经网络的例子。 注意，如果你只需要使用简单的RNN，GRU或LSTM，那么推荐使用`grumemory`和`lstmemory`，因为它们的计算效率比`recurrent_group`更高。 +其中 *f**x*(.) 称为**单步函数**（即单时间步执行的函数，step function），而 *f**y*(.) 称为**输出函数**。在 vanilla 循环神经网络中，单步函数和输出函数都非常简单。然而，PaddlePaddle 可以通过修改这两个函数来实现复杂的网络配置。我们将使用 sequence to sequence 模型演示如何配置复杂的循环神经网络模型。在本节中，我们将使用简单的 vanilla 循环神经网络作为使用`recurrent_group`配置简单循环神经网络的例子。 注意，如果你只需要使用简单的RNN，GRU或LSTM，那么推荐使用`grumemory`和`lstmemory`，因为它们的计算效率比`recurrent_group`更高。 -对于 vanilla RNN，在每个时间步长，**阶跃函数**为： +对于 vanilla RNN，在每个时间步长，**单步函数**为： *x**t* + 1 = *W**x**x**t* + *W**i**I**t* + *b* 其中 *x**t* 是RNN状态，并且 *I**t* 是输入，*W**x* 和 *W**i* 分别是RNN状态和输入的变换矩阵。*b* 是偏差。它的**输出函数**只需要*x**t*作为输出。 -`recurrent_group`是构建循环神经网络的最重要的工具。 它定义了**阶跃函数**，**输出函数**和循环神经网络的输入。注意，这个函数的`step`参数执行了`step function`（阶跃函数）和`output function`（输出函数）： +`recurrent_group`是构建循环神经网络的最重要的工具。 它定义了**单步函数**，**输出函数**和循环神经网络的输入。注意，这个函数的`step`参数需要实现`step function`（单步函数）和`output function`（输出函数）： ``` sourceCode @@ -77,9 +77,9 @@ def simple_rnn(input, input=input) ``` -PaddlePaddle 使用“记忆”构造阶跃函数。**记忆（Memory）**是在PaddlePaddle中构造循环神经网络时最重要的概念。 记忆是在阶跃函数中循环使用的状态，例如*x**t* + 1 = *f**x*(*x**t*)。 一个记忆包含**输出**和**输入**。当前时间步处的记忆的输出作为下一时间步记忆的输入。记忆也可以具有**引导层**，其输出被用作记忆的初始值。 在我们的例子中，门控循环单元的输出被用作输出记忆。请注意，`rnn_out`层的名称与`out_mem`的名称相同。这意味着`rnn_out` (*x**t* + 1)的输出被用作`out_mem`记忆的**输出**。 +PaddlePaddle 使用“Memory”（记忆模块）实现单步函数。**Memory**是在PaddlePaddle中构造循环神经网络时最重要的概念。 Memory是在单步函数中循环使用的状态，例如*x**t* + 1 = *f**x*(*x**t*)。 一个Memory包含**输出**和**输入**。当前时间步处的Memory的输出作为下一时间步Memory的输入。Memory也可以具有**boot layer(引导层)**，其输出被用作Memory的初始值。 在我们的例子中，门控循环单元的输出被用作输出Memory。请注意，`rnn_out`层的名称与`out_mem`的名称相同。这意味着`rnn_out` (*x**t* + 1)的输出被用作`out_mem`Memory的**输出**。 -记忆也可以是序列。在这种情况下，在每个时间步中，我们有一个序列作为循环神经网络的状态。这在构造非常复杂的循环神经网络时是有用的。 其他高级功能包括定义多个记忆，以及使用子序列来定义分级循环神经网络架构。 +Memory也可以是序列。在这种情况下，在每个时间步中，我们有一个序列作为循环神经网络的状态。这在构造非常复杂的循环神经网络时是有用的。 其他高级功能包括定义多个Memory，以及使用子序列来定义分级循环神经网络架构。 我们在函数的结尾返回`rnn_out`。 这意味着 `rnn_out` 层的输出被用作门控循环神经网络的**输出**函数。 @@ -89,11 +89,11 @@ PaddlePaddle 使用“记忆”构造阶跃函数。**记忆（Memory）**是在 ![image](../../../tutorials/text_generation/encoder-decoder-attention-model.png) -在这个模型中，源序列 *S* = {*s*1, …, *s**T*} 用双向门控循环神经网络编码。双向门控循环神经网络的隐藏状态 *H**S* = {*H*1, …, *H**T*} 被称为 *编码向量*。解码器是门控循环神经网络。当解读每一个*y**t*时, 这个门控循环神经网络生成一系列权重 *W**S**t* = {*W*1*t*, …, *W**T**t*}, 用于计算编码向量的加权和。加权和用来鉴定符号 *y**t* 的生成。 +在这个模型中，源序列 *S* = {*s*1, …, *s**T*} 用双向门控循环神经网络编码。双向门控循环神经网络的隐藏状态 *H**S* = {*H*1, …, *H**T*} 被称为 *编码向量*。解码器是门控循环神经网络。当解读每一个*y**t*时, 这个门控循环神经网络生成一系列权重 *W**S**t* = {*W*1*t*, …, *W**T**t*}, 用于计算编码向量的加权和。加权和用来生成*y**t*。 模型的编码器部分如下所示。它叫做`grumemory`来表示门控循环神经网络。如果网络架构简单，那么推荐使用循环神经网络的方法，因为它比 `recurrent_group` 更快。我们已经实现了大多数常用的循环神经网络架构，可以参考 [Layers](../../ui/api/trainer_config_helpers/layers_index.html) 了解更多细节。 -我们还将编码向量投射到`decoder_size`维空间，获得反向循环网络的第一个实例，并将其投射到`decoder_size`维空间： +我们还将编码向量投射到 `decoder_size` 维空间。这通过获得反向循环网络的第一个实例，并将其投射到 `decoder_size` 维空间完成： ``` sourceCode # 定义源语句的数据层 @@ -123,7 +123,7 @@ backward_first = first_seq(input=src_backward) decoder_boot = mixed_layer(input=[full_matrix_projection(backward_first)], size=decoder_size, act=TanhActivation()) ``` -解码器使用 `recurrent_group` 来定义循环神经网络。阶跃函数和输出函数在 `gru_decoder_with_attention` 中定义： +解码器使用 `recurrent_group` 来定义循环神经网络。单步函数和输出函数在 `gru_decoder_with_attention` 中定义： ``` sourceCode group_inputs=[StaticInput(input=encoded_vector,is_seq=True), @@ -137,22 +137,22 @@ group_inputs.append(trg_embedding) # 对于配备有注意力机制的解码器，在训练中， # 目标向量（groudtruth）是数据输入， -# 而编码源序列作为无界存储器被访问。 -# StaticInput 意味着不同时间步的相同值， -# 否则它是一个序列的输入，不同时间步的输入是不同的。 +# 而源序列的编码向量可以被无边界的memory访问 +# StaticInput 意味着不同时间步的输入都是相同的值， +# 否则它以一个序列输入，不同时间步的输入是不同的。 # 所有输入序列应该有相同的长度。 decoder = recurrent_group(name=decoder_group_name, step=gru_decoder_with_attention, input=group_inputs) ``` -阶跃函数的实现如下所示。首先，它定义解码网络的**记忆**。然后定义 attention，门控循环单元阶跃函数和输出函数： +单步函数的实现如下所示。首先，它定义解码网络的**Memory**。然后定义 attention，门控循环单元单步函数和输出函数： ``` sourceCode def gru_decoder_with_attention(enc_vec, enc_proj, current_word): - # 定义解码器的记忆 - # 记忆的输出定义在 gru_step 内 - # 注意 gru_step 应该与它的记忆名字相同 + # 定义解码器的Memory + # Memory的输出定义在 gru_step 内 + # 注意 gru_step 应该与它的Memory名字相同 decoder_mem = memory(name='gru_decoder', size=decoder_size, boot_layer=decoder_boot) @@ -164,7 +164,7 @@ def gru_decoder_with_attention(enc_vec, enc_proj, current_word): decoder_inputs = mixed_layer(inputs = [full_matrix_projection(context), full_matrix_projection(current_word)], size = decoder_size * 3) - # 定义门控循环单元循环神经网络阶跃函数 + # 定义门控循环单元循环神经网络单步函数 gru_step = gru_step_layer(name='gru_decoder', input=decoder_inputs, output_mem=decoder_mem, @@ -180,13 +180,13 @@ def gru_decoder_with_attention(enc_vec, enc_proj, current_word): 生成序列 ----------------- -训练模型后，我们可以使用它来生成序列。通常的做法是使用**柱搜索（beam search** 生成序列。以下代码片段定义柱搜索算法。注意，`beam_search`函数假设`step`的输出函数返回下一个标志的 softmax 归一化概率向量。我们对模型进行了以下更改。 +训练模型后，我们可以使用它来生成序列。通常的做法是使用**beam search** 生成序列。以下代码片段定义柱搜索算法。注意，`beam_search` 函数假设 `step` 的输出函数返回的是下一个时刻输出词的 softmax 归一化概率向量。我们对模型进行了以下更改。 -- 使用 `GeneratedInput` 来 trg\_embedding。 `GeneratedInput` 计算上一次时间步生成的标记的向量来作为当前时间步的输入。 +- 使用 `GeneratedInput` 来表示 trg\_embedding。 `GeneratedInput` 将上一时间步所生成的词的向量来作为当前时间步的输入。 - 使用 `beam_search` 函数。这个函数需要设置： - `bos_id`: 开始标记。每个句子都以开始标记开头。 - `eos_id`: 结束标记。每个句子都以结束标记结尾。 - - `beam_size`: 柱搜索算法中的柱大小。 + - `beam_size`: beam search 算法中的beam大小。 - `max_length`: 生成序列的最大长度。 - 使用 `seqtext_printer_evaluator` 根据索引矩阵和字典打印文本。这个函数需要设置： - `id_input`: 数据的整数ID，用于标识生成的文件中的相应输出。 @@ -198,9 +198,9 @@ def gru_decoder_with_attention(enc_vec, enc_proj, current_word): ``` sourceCode group_inputs=[StaticInput(input=encoded_vector,is_seq=True), StaticInput(input=encoded_proj,is_seq=True)] -# 在一代中，解码器预测下一目标词基于编码源序列和最后生成的目标词。 -# 编码源序列（编码器输出）必须由只读记忆的 StaticInput 指定。 -# 这里， GeneratedInputs 自动获取上一个被一个开始符号初始化的生成词，例如 。 +# 在生成时，解码器基于编码源序列和最后生成的目标词预测下一目标词。 +# 编码源序列（编码器输出）必须由只读Memory的 StaticInput 指定。 +# 这里， GeneratedInputs 自动获取上一个生成的词，并在最开始初始化为起始词，如 。 trg_embedding = GeneratedInput( size=target_dict_dim, embedding_name='_target_language_embedding', -- GitLab