关于encode和decode 字向量问题

[liyonglion]

在encode阶段，使用tf.contrib.layers.embed_sequence函数来生成字向量。在decode阶段使用tf.random_uniform、tf.nn.embedding_lookup来生成和转换成字向量。
有两个疑问：
1.编码阶段和解码阶段不是同一个字向量，为什么需要这么做？不能是同一个字向量吗？
2.tf.contrib.layers.embed_sequence转换的字向量每次都不同，例如每次ids = [1,2,3,4]，每次调用该函数，转换的字向量都是不一样的。这样会有一个问题，相同的字对应的不同的字向量。
先谢谢了

[NELSONZHAO]

1.编码端和解码端是不同的任务，并且是不同的语料。例如encoder端是英文，decoder端是法语，分别对应两个不同的embedding去捕捉不同的信息。
2.这个问题麻烦再稍微描述更具体一些哈，我没太看懂。

[liyonglion]

例如第一次调用embed_sequence函数，传入的第一个参数是[1,2,3,4],返回的值为a。第二次再调用embed_sequence，同样传入[1,2,3,4],返回值b，此时a是不等于的b的吧~
在问一个问题：在训练解码端，为什么要在target前面添加呢？不能直接使用target作为解码端的input吗？

[NELSONZHAO]

关于embed_sequence我去查了一下官方文档，对这一点没说明，我自己再terminal里开了个sess跑了一下确实不一样，这个写法我也是参考了别人的代码，如果你找到了关于embed_sequence的具体解析欢迎提下issue。
第二个问题：在训练解码端，要在target前面添加，这是因为在预测的时候模型并不知道第一个input是什么。也就是说，训练时候我们有target数据，所以可以将其作为input直接输入，但是预测阶段模型是不知道第一个词的，所以要给一个初始化的token。

[liyonglion]

我写的代码和你的差不多，但是我没有用tf.contrib.layers.embed_sequence，这个，而是使用tf.nn.embedding_lookup,第一个参数我使用变量共享。例如：
def get_embedding(ids): with variable_scope('embedding',reuse=tf.AUTO_REUSE) : embedding = tf.get_variable('vocab', [vocab_size, embedding_size]) return tf.nn.embedding_lookup(embedding, ids)
第二个问题：在预测阶段是无法知道target的，也不能添加token，而是直接把编码的最后一个时间步骤 output作为解码的的输入，然后预测的。还是无法理解为什么在训练解码端，给target开头添加一个token。

[NELSONZHAO]

添加token这个我是看吴恩达的实现和Youtute上的一个实现写的，我觉得是合理的。吴恩达写的时候也是在Decoder端添加了一个0向量作为输入。其实这个就是类似于LSTM的initial state一样的东西，你要告诉它怎么开始。但是我觉得用Encoder端最后一个时间步的output作为输入不合理呀，如果是翻译问题，最后一个output单词对于Decoder端是没啥意义的。个人见解，欢迎讨论哈~

[liyonglion]

我并不认为最后的output 等效于单词，从LSTM的原型来看，当前的Ht = f(Ct,Xt),Ct = g(Ct-1,Xt),这里H表示输出，C表示状态，t表示时间步骤。可以从上面的简化公式理解：当前的输出，是综合了上一个状态(可以理解为记忆)和当前的输入，表示当从t0开始到tn输入的“理解”而已，当然可以用来预测当前的时间步输出单词而已，这里的预测也是用类似于全连接层，进行分类而已。

[NELSONZHAO]

Encoder-Decoder模型里面，本身学习到的context-vector就是对输入序列的信息抽取，我觉得你说的Encoder的输出和context-vector本身是高度相关的。从具体来说，如果给一个0向量作为Decoder的启动，那么其实相当于什么input信息都没给他，他能依赖的只有context-vector；如果按照你说的不加token，用Encoder的output给Decoder来启动，相当于增加了它的一部分启动信息，这么来看效果应该会好点，但是我始终认为这个output和context-vector是高度相关的。不过我还没尝试过，你这边用Encoder的output来启动Decoder有什么好的效果吗？

[liyonglion]

目前我还没有测试。我也是在前天加了token，这个我后面再试。目前我正在做文本摘要，从目前的训练结果来看，可以提取文章的中心思想，但是有些重要的词抓的不准确，有些头疼。不知道如何改进。context-vector这个词用的好传神。如果给一个0向量作为Decoder的启动，那么其实相当于什么input信息都没给他，他能依赖的只有context-vector这句话说的很有些道理。