如此强大的机器翻译架构内部的运行机制究竟是怎样的？

近年来，神经机器翻译的突飞猛进让越来越多的人类翻译感到压力山大，瑟瑟发抖，那么如此强大的机器翻译架构内部的运行机制究竟是怎样的？本文用一系列动图带你看个明白。

过去几十年来，统计机器翻译一直是占据主导地位的机器翻译模型[9]，直到神经机器翻译（NMT）诞生。神经机器翻译（NMT）是近几年来新兴的机器翻译模式，该模式试图构建和训练能够读取输入文本，并输出翻译结果的单个大型神经网络。

NMT的最初来自Kalchbrenner和Blunsom（2013）等人的提议。今天更为人所知的框架是从Sutskever等人提出的seq2seq框架。本文就将重点介绍seq2seq框架以及如何构建基于seq2seq框架的注意力机制。

总体来说，注意力层的部署可以分为4步（其实是5步）

第0步：准备隐藏状态。

首先准备第一个解码器隐藏状态（红色）和所有可用的编码器隐藏状态（绿色）。在我们的例子中有4个编码器隐藏状态和当前解码器隐藏状态。

步骤1：获取每个编码器隐藏状态的分数

通过评分函数（也称为比对评分函数或比对模型）获得评分（标量）。在该示例中，得分函数是解码器和编码器隐藏状态之间的点积。

步骤2：通过softmax图层运行所有分数。

我们将得分放到softmax函数层，使softmax处理后的得分（标量）之和为1。这些得分代表注意力的分布。

步骤3：将每个编码器隐藏状态乘以其softmax得分。

通过将每个编码器隐藏状态与其对应的softmax得分（标量）相乘，获得对齐向量或注释向量。这就是对齐的机制。

步骤4：总结对齐向量。

对齐向量的总结可以生成上下文向量。上下文向量反映的是前一步的对齐向量的聚合信息。

步骤5：将上下文向量送到解码器。

具体传送方式取决于翻译系统的架构设计。我们将在下文示例中看到不同的架构如何利用解码器的上下文向量。

下面来看看几种seq2seq模型的运行机制，为便于理解，我们采用比较直观的描述（对于每种模型，均以德-英翻译为例）。

seq2seq

翻译会从头至尾把德语文本阅读一遍，读完开始逐词翻译成英语，如果句子过长，他可能会忘了文章开始时都读过哪些内容。

一个简单的seq2seq模型就是这样了，至于面向注意力层的逐级计算，是下面要讲的seq2seq+注意力模型，下面是这个模型的直观表述。

seq2seq+ 注意力

翻译一遍阅读德文文本，一边从头至尾地记录关键词，然后开始翻译成英语。每翻译一个德语词汇，都要用一次记下来的关键词。

该机制下会为每个单词分配一个得分，根据分数高低投入不同的注意力。然后根据Softmax函数处理过的分数，使用编码器隐藏状态的加权和来聚合编码器隐藏状态，获得上下文向量。注意力层的实现可以分为4个步骤。

注意力机制的运行究竟是怎样的?

答案是：反向传播，没想到吧。反向传播将尽一切努力确保产出成果接近实际情况。通过改变RNN中的权重和得分函数（如果有的话）来实现这一目标。这些权重将影响编码器隐藏状态和解码器隐藏状态，进而影响注意力得分。

带双向编码器的seq2seq+注意力

这一机制相当于有两名翻译。翻译A一边阅读德语文本，一边记录关键词。翻译B（比A更高级的翻译，可以从后往前倒着阅读然后进行翻译）也在逐词阅读同样的德语文本，同时记下关键词。

这两个翻译会定期讨论到目前为止阅读的每一个词。一旦阅读完毕，翻译B会负责根据讨论结果和选择的综合关键词，将德语的句子逐字翻译成英语。

翻译A就是前向RNN，翻译B就是后向RNN。

采用双层堆叠编码器的seq2seq+注意力

翻译A一边阅读德语文本，一边记录关键词。翻译B（比A更高级的翻译，可以从后往前倒着阅读然后进行翻译）也在逐词阅读同样的德语文本，同时记下关键词。注意，初级翻译A必须把阅读到的每个单词向翻译B报告。阅读完成后，两位翻译都会根据他们所选择的综合关键词，逐字逐句地将句子翻译成英语。

谷歌的神经机器翻译：带8个堆叠编码器的seq2seq（+双向+剩余连接）+注意力

相当于翻译A、B、...到H一共8位翻译，从下到上排成一列。每位翻译都阅读相同的德语文本。每阅读一个单词，翻译A会与翻译B分享发现，翻译B对发现内容进行改进，并与翻译C分享，以此类推重复这个过程，直到翻译H为止。此外，在阅读德语文本时，翻译H会根据自己的知识和收到的信息记录下相关的关键词。

在每个翻译都阅读过英文文本之后，命令翻译A开始翻译第一个单词。首先，翻译A试图回忆起，然后他与译者B分享他的答案，译者B改进答案并与译者C分享，以此类推重复这一过程，直到翻译H。然后，翻译H根据记录的关键词写出第一个翻译。重复这个过程，直到翻译完成为止。