为什么要有attention机制，Attention原理

1.1 attention model

为什么要有attention机制

原本的Seq2seq模型只有一个encoder和一个decoder，通常的做法是将一个输入的句子编码成一个固定大小的state，然后作为decoder的初始状态（当然也可以作为每一时刻的输入），但这样的一个状态对于decoder中的所有时刻都是一样的。

attention即为注意力，人脑在对于的不同部分的注意力是不同的。需要attention的原因是非常直观的，当我们看一张照片时，照片上有一个人，我们的注意力会集中在这个人身上，而它身边的花草蓝天，可能就不会得到太多的注意力。也就是说，普通的模型可以看成所有部分的attention都是一样的，而这里的attention-based model对于不同的部分，重要的程度则不同，decoder中每一个时刻的状态是不同的。

Attention-based Model是什么Attention-based Model其实就是一个相似性的度量，当前的输入与目标状态越相似，那么在当前的输入的权重就会越大，说明当前的输出越依赖于当前的输入。严格来说，Attention并算不上是一种新的model，而仅仅是在以往的模型中加入attention的思想，所以Attention-based Model或者Attention Mechanism是比较合理的叫法，而非Attention Model。

没有attention机制的encoder-decoder结构通常把encoder的最后一个状态作为decoder的输入（可能作为初始化，也可能作为每一时刻的输入），但是encoder的state毕竟是有限的，存储不了太多的信息，对于decoder过程，每一个步骤都和之前的输入都没有关系了，只与这个传入的state有关。attention机制的引入之后，decoder根据时刻的不同，让每一时刻的输入都有所不同。

Attention原理

1.2 Beam Search介绍

在sequence2sequence模型中，beam search的方法只用在测试的情况，因为在训练过程中，每一个decoder的输出是有正确答案的，也就不需要beam search去加大输出的准确率。

假设现在我们用机器翻译作为例子来说明，

我们需要翻译中文“我是中国人”--->英文“I am Chinese”

假设我们的词表大小只有三个单词就是I am Chinese。那么如果我们的beam size为2的话，我们现在来解释,如下图所示，我们在decoder的过程中，有了beam search方法后，在第一次的输出，我们选取概率最大的"I"和"am"两个单词，而不是只挑选一个概率最大的单词。

然后接下来我们要做的就是，把“I”单词作为下一个decoder的输入算一遍得到y2的输出概率分布，把“am”单词作为下一个decoder的输入算一遍也得到y2的输出概率分布。

比如将“I”单词作为下一个decoder的输入算一遍得到y2的输出概率分布如下：

比如将“am”单词作为下一个decoder的输入算一遍得到y2的输出概率分布如下：

那么此时我们由于我们的beam size为2，也就是我们只能保留概率最大的两个序列，此时我们可以计算所有的序列概率：

“I I” = 0.40.3 "I am" = 0.40.6 "I Chinese" = 0.4*0.1

"am I" = 0.50.3 "am am" = 0.50.3 "am Chinese" = 0.5*0.4

我们很容易得出俩个最大概率的序列为 “I am”和“am Chinese”，然后后面会不断重复这个过程，直到遇到结束符为止。

最终输出2个得分最高的序列。

这就是seq2seq中的beam search算法过程。

2.1 tf.app.flags

tf定义了tf.app.flags，用于支持接受命令行传递参数，相当于接受argv。看下面的例子：

import tensorflow as tf#第一个是参数名称，第二个参数是默认值，第三个是参数描述tf.app.flags.DEFINE_string('str_name', 'def_v_1',"descrip1")tf.app.flags.DEFINE_integer('int_name', 10,"descript2")tf.app.flags.DEFINE_boolean('bool_name', False, "descript3")FLAGS = tf.app.flags.FLAGS#必须带参数，否则：'TypeError: main() takes no arguments (1 given)';   main的参数名随意定义，无要求def main(_):  print(FLAGS.str_name)print(FLAGS.int_name)print(FLAGS.bool_name)if __name__ == '__main__':tf.app.run()  #执行main函数

使用命令行运行得到的输出为：

[root@AliHPC-G41-211 test]# python tt.pydef_v_110False[root@AliHPC-G41-211 test]# python tt.py --str_name test_str --int_name 99 --bool_name Truetest_str99True

2.2 tf.clip_by_global_norm

Gradient Clipping的直观作用就是让权重的更新限制在一个合适的范围。tf.clip_by_global_norm函数的作用就是通过权重梯度的总和的比率来截取多个张量的值。使用方式如下：

tf.clip_by_global_norm(t_list, clip_norm, use_norm=None, name=None)

t_list 是梯度张量， clip_norm 是截取的比率, 这个函数返回截取过的梯度张量和一个所有张量的全局范数。

t_list[i] 的更新公式如下:

t_list[i] * clip_norm / max(global_norm, clip_norm)

其中global_norm = sqrt(sum([l2norm(t)**2 for t in t_list]))global_norm 是所有梯度的平方和，如果 clip_norm > global_norm ，就不进行截取。

2.3 tf中注意力机制的实现

注意力机制只在decoder中出现，在之前作对联的文章中，我们的decoder实现分三步走：定义decoder阶段要是用的Cell -》TrainingHelper+BasicDecoder的组合定义解码器-》调用dynamic_decode进行解码。

添加注意力机制主要是在第一步，对Cell进行包裹，tf中实现了两种主要的注意力机制，我们前文中所讲的注意力机制我们成为Bahdanau注意力机制，还有一种注意力机制称为Luong注意力机制，二者最主要的区别是前者为加法注意力机制，后者为乘法注意力机制。二者的更详细的介绍参考播客：http://blog.csdn.net/amds123/article/details/65938986

那么我们就来详细介绍一下 tf中注意力机制的实现：

定义cell

def _create_rnn_cell(self):def single_rnn_cell():    # 创建单个cell，这里需要注意的是一定要使用一个single_rnn_cell的函数，不然直接把cell放在MultiRNNCell    # 的列表中最终模型会发生错误    single_cell = tf.contrib.rnn.LSTMCell(self.rnn_size)    #添加dropout    cell = tf.contrib.rnn.DropoutWrapper(single_cell, output_keep_prob=self.keep_prob_placeholder)    return cell#列表中每个元素都是调用single_rnn_cell函数cell = tf.contrib.rnn.MultiRNNCell([single_rnn_cell() for _ in range(self.num_layers)])return celldecoder_cell = self._create_rnn_cell()

封装attention wrapper

attention_mechanism = tf.contrib.seq2seq.BahdanauAttention(num_units=self.rnn_size, memory=encoder_outputs,                     memory_sequence_length=encoder_inputs_length)#attention_mechanism = tf.contrib.seq2seq.LuongAttention(num_units=self.rnn_size, memory=encoder_outputs, memory_sequence_length=encoder_inputs_length)decoder_cell = tf.contrib.seq2seq.AttentionWrapper(cell=decoder_cell, attention_mechanism=attention_mechanism,              attention_layer_size=self.rnn_size, name='Attention_Wrapper')

训练阶段，使用TrainingHelper+BasicDecoder的组合

training_helper = tf.contrib.seq2seq.TrainingHelper(inputs=decoder_inputs_embedded,                sequence_length=self.decoder_targets_length,                  time_major=False, name='training_helper')training_decoder = tf.contrib.seq2seq.BasicDecoder(cell=decoder_cell, helper=training_helper,                  initial_state=decoder_initial_state, output_layer=output_layer)

调用dynamic_decode进行解码

decoder_outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder=training_decoder,impute_finished=True,maximum_iterations=self.max_target_sequence_length)

decoder_outputs是一个namedtuple，里面包含两项(rnn_outputs, sample_id)rnn_output: [batch_size, decoder_targets_length, vocab_size]，保存decode每个时刻每个单词的概率，可以用来计算loss sample_id: [batch_size], tf.int32，保存最终的编码结果。可以表示最后的答案。

代码目录如下图所示：

其中，data存放我们的数据，model存放我们保存的训练模型，data_loader是我们处理数据的代码，model是我们建立seq2seq模型的代码，train是我们训练模型的代码，predict是我们进行模型预测的部分。这里我们只介绍model部分，其它部分的代码大家可以参照github自己练习。

定义基本的输入输出

def __init__(self, rnn_size, num_layers, embedding_size, learning_rate, word_to_idx, mode, use_attention,         beam_search, beam_size, max_gradient_norm=5.0):self.learing_rate = learning_rateself.embedding_size = embedding_sizeself.rnn_size = rnn_sizeself.num_layers = num_layersself.word_to_idx = word_to_idxself.vocab_size = len(self.word_to_idx)self.mode = modeself.use_attention = use_attentionself.beam_search = beam_searchself.beam_size = beam_sizeself.max_gradient_norm = max_gradient_norm#执行模型构建部分的代码self.build_model()

定义我们多层LSTM的网络结构这里，不论是encoder还是decoder，我们都定义一个两层的LSTMCell，同时每一个cell都添加上DropoutWrapper。

def _create_rnn_cell(self):def single_rnn_cell():    # 创建单个cell，这里需要注意的是一定要使用一个single_rnn_cell的函数，不然直接把cell放在MultiRNNCell    # 的列表中最终模型会发生错误    single_cell = tf.contrib.rnn.LSTMCell(self.rnn_size)    #添加dropout    cell = tf.contrib.rnn.DropoutWrapper(single_cell, output_keep_prob=self.keep_prob_placeholder)    return cell#列表中每个元素都是调用single_rnn_cell函数cell = tf.contrib.rnn.MultiRNNCell([single_rnn_cell() for _ in range(self.num_layers)])return cell

定义模型的placeholder

self.encoder_inputs = tf.placeholder(tf.int32, [None, None], name='encoder_inputs')self.encoder_inputs_length = tf.placeholder(tf.int32, [None], name='encoder_inputs_length')self.batch_size = tf.placeholder(tf.int32, [], name='batch_size')self.keep_prob_placeholder = tf.placeholder(tf.float32, name='keep_prob_placeholder')self.decoder_targets = tf.placeholder(tf.int32, [None, None], name='decoder_targets')self.decoder_targets_length = tf.placeholder(tf.int32, [None], name='decoder_targets_length')self.max_target_sequence_length = tf.reduce_max(self.decoder_targets_length, name='max_target_len')self.mask = tf.sequence_mask(self.decoder_targets_length,self.max_target_sequence_length, dtype=tf.float32, name='masks')

定义encoder

with tf.variable_scope('encoder'): #创建LSTMCell，两层+dropout encoder_cell = self._create_rnn_cell() #构建embedding矩阵,encoder和decoder公用该词向量矩阵 embedding = tf.get_variable('embedding', [self.vocab_size, self.embedding_size]) encoder_inputs_embedded = tf.nn.embedding_lookup(embedding, self.encoder_inputs)# 使用dynamic_rnn构建LSTM模型，将输入编码成隐层向量。# encoder_outputs用于attention，batch_size*encoder_inputs_length*rnn_size,# encoder_state用于decoder的初始化状态，batch_size*rnn_szieencoder_outputs, encoder_state = tf.nn.dynamic_rnn(encoder_cell, encoder_inputs_embedded,sequence_length=self.encoder_inputs_length,dtype=tf.float32)

定义decoder在decoder阶段，我们仍然是定义了两种模式，一种是训练，一种是预测，在训练模式下，decoder的输入是真实的target序列，而在预测时，我们可以使用贪心策略或者是beam_search策略。

with tf.variable_scope('decoder'):    encoder_inputs_length = self.encoder_inputs_length    # if self.beam_search:    #     # 如果使用beam_search，则需要将encoder的输出进行tile_batch，其实就是复制beam_size份。    #     print("use beamsearch decoding..")    #     encoder_outputs = tf.contrib.seq2seq.tile_batch(encoder_outputs, multiplier=self.beam_size)    #     encoder_state = nest.map_structure(lambda s: tf.contrib.seq2seq.tile_batch(s, self.beam_size), encoder_state)    #     encoder_inputs_length = tf.contrib.seq2seq.tile_batch(self.encoder_inputs_length, multiplier=self.beam_size)    attention_mechanism = tf.contrib.seq2seq.BahdanauAttention(num_units=self.rnn_size, memory=encoder_outputs,                                                             memory_sequence_length=encoder_inputs_length)    #attention_mechanism = tf.contrib.seq2seq.LuongAttention(num_units=self.rnn_size, memory=encoder_outputs, memory_sequence_length=encoder_inputs_length)    # 定义decoder阶段要是用的LSTMCell，然后为其封装attention wrapper    decoder_cell = self._create_rnn_cell()    decoder_cell = tf.contrib.seq2seq.AttentionWrapper(cell=decoder_cell, attention_mechanism=attention_mechanism,                                                       attention_layer_size=self.rnn_size, name='Attention_Wrapper')    #如果使用beam_seach则batch_size = self.batch_size * self.beam_size。因为之前已经复制过一次    #batch_size = self.batch_size if not self.beam_search else self.batch_size * self.beam_size    batch_size = self.batch_size    #定义decoder阶段的初始化状态，直接使用encoder阶段的最后一个隐层状态进行赋值    decoder_initial_state = decoder_cell.zero_state(batch_size=batch_size, dtype=tf.float32).clone(cell_state=encoder_state)    output_layer = tf.layers.Dense(self.vocab_size, kernel_initializer=tf.truncated_normal_initializer(mean=0.0, stddev=0.1))    if self.mode == 'train':        # 定义decoder阶段的输入，其实就是在decoder的target开始处添加一个,并删除结尾处的,并进行embedding。        # decoder_inputs_embedded的shape为[batch_size, decoder_targets_length, embedding_size]        ending = tf.strided_slice(self.decoder_targets, [0, 0], [self.batch_size, -1], [1, 1])        decoder_input = tf.concat([tf.fill([self.batch_size, 1], self.word_to_idx['']), ending], 1)        decoder_inputs_embedded = tf.nn.embedding_lookup(embedding, decoder_input)        #训练阶段，使用TrainingHelper+BasicDecoder的组合，这一般是固定的，当然也可以自己定义Helper类，实现自己的功能        training_helper = tf.contrib.seq2seq.TrainingHelper(inputs=decoder_inputs_embedded,                                                            sequence_length=self.decoder_targets_length,                                                            time_major=False, name='training_helper')        training_decoder = tf.contrib.seq2seq.BasicDecoder(cell=decoder_cell, helper=training_helper,                                                           initial_state=decoder_initial_state, output_layer=output_layer)        #调用dynamic_decode进行解码，decoder_outputs是一个namedtuple，里面包含两项(rnn_outputs, sample_id)        # rnn_output: [batch_size, decoder_targets_length, vocab_size]，保存decode每个时刻每个单词的概率，可以用来计算loss        # sample_id: [batch_size], tf.int32，保存最终的编码结果。可以表示最后的答案        decoder_outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder=training_decoder,                                                                  impute_finished=True,                                                            maximum_iterations=self.max_target_sequence_length)        # 根据输出计算loss和梯度，并定义进行更新的AdamOptimizer和train_op        self.decoder_logits_train = tf.identity(decoder_outputs.rnn_output)        self.decoder_predict_train = tf.argmax(self.decoder_logits_train, axis=-1, name='decoder_pred_train')        # 使用sequence_loss计算loss，这里需要传入之前定义的mask标志        self.loss = tf.contrib.seq2seq.sequence_loss(logits=self.decoder_logits_train,                                                     targets=self.decoder_targets, weights=self.mask)        # Training summary for the current batch_loss        tf.summary.scalar('loss', self.loss)        self.summary_op = tf.summary.merge_all()        optimizer = tf.train.AdamOptimizer(self.learing_rate)        trainable_params = tf.trainable_variables()        gradients = tf.gradients(self.loss, trainable_params)        clip_gradients, _ = tf.clip_by_global_norm(gradients, self.max_gradient_norm)        self.train_op = optimizer.apply_gradients(zip(clip_gradients, trainable_params))    elif self.mode == 'decode':        start_tokens = tf.ones([self.batch_size, ], tf.int32) * self.word_to_idx['']        end_token = self.word_to_idx['']        # decoder阶段根据是否使用beam_search决定不同的组合，        # 如果使用则直接调用BeamSearchDecoder（里面已经实现了helper类）        # 如果不使用则调用GreedyEmbeddingHelper+BasicDecoder的组合进行贪婪式解码        if self.beam_search:            inference_decoder = tf.contrib.seq2seq.BeamSearchDecoder(cell=decoder_cell, embedding=embedding,            start_tokens=start_tokens, end_token=end_token,initial_state=decoder_initial_state,            beam_width=self.beam_size,            output_layer=output_layer)        else:            decoding_helper = tf.contrib.seq2seq.GreedyEmbeddingHelper(embedding=embedding,                           start_tokens=start_tokens, end_token=end_token)            inference_decoder = tf.contrib.seq2seq.BasicDecoder(cell=decoder_cell, helper=decoding_helper,                               initial_state=decoder_initial_state,output_layer=output_layer)        decoder_outputs, _, _ = tf.contrib.seq2seq.dynamic_decode(decoder=inference_decoder,                             maximum_iterations=10)        # 调用dynamic_decode进行解码，decoder_outputs是一个namedtuple，        # 对于不使用beam_search的时候，它里面包含两项(rnn_outputs, sample_id)        # rnn_output: [batch_size, decoder_targets_length, vocab_size]        # sample_id: [batch_size, decoder_targets_length], tf.int32        # 对于使用beam_search的时候，它里面包含两项(predicted_ids, beam_search_decoder_output)        # predicted_ids: [batch_size, decoder_targets_length, beam_size],保存输出结果        # beam_search_decoder_output: BeamSearchDecoderOutput instance namedtuple(scores, predicted_ids, parent_ids)        # 所以对应只需要返回predicted_ids或者sample_id即可翻译成最终的结果        if self.beam_search:            self.decoder_predict_decode = decoder_outputs.predicted_ids        else:            self.decoder_predict_decode = tf.expand_dims(decoder_outputs.sample_id, -1)

训练阶段对于训练阶段，需要执行self.train_op, self.loss, self.summary_op三个op，并传入相应的数据

def train(self, sess, batch):#对于训练阶段，需要执行self.train_op, self.loss, self.summary_op三个op，并传入相应的数据feed_dict = {self.encoder_inputs: batch.encoder_inputs,self.encoder_inputs_length: batch.encoder_inputs_length,self.decoder_targets: batch.decoder_targets,self.decoder_targets_length: batch.decoder_targets_length,self.keep_prob_placeholder: 0.5,self.batch_size: len(batch.encoder_inputs)}_, loss, summary = sess.run([self.train_op, self.loss, self.summary_op], feed_dict=feed_dict)return loss, summary

评估阶段对于eval阶段，不需要反向传播，所以只执行self.loss, self.summary_op两个op，并传入相应的数据

def eval(self, sess, batch):# 对于eval阶段，不需要反向传播，所以只执行self.loss, self.summary_op两个op，并传入相应的数据feed_dict = {self.encoder_inputs: batch.encoder_inputs,self.encoder_inputs_length: batch.encoder_inputs_length,self.decoder_targets: batch.decoder_targets,self.decoder_targets_length: batch.decoder_targets_length,self.keep_prob_placeholder: 1.0,self.batch_size: len(batch.encoder_inputs)}loss, summary = sess.run([self.loss, self.summary_op], feed_dict=feed_dict)return loss, summary

预测阶段infer阶段只需要运行最后的结果，不需要计算loss，所以feed_dict只需要传入encoder_input相应的数据即可

def infer(self, sess, batch):#infer阶段只需要运行最后的结果，不需要计算loss，所以feed_dict只需要传入encoder_input相应的数据即可feed_dict = {self.encoder_inputs: batch.encoder_inputs,self.encoder_inputs_length: batch.encoder_inputs_length,self.keep_prob_placeholder: 1.0,self.batch_size: len(batch.encoder_inputs)}predict = sess.run([self.decoder_predict_decode], feed_dict=feed_dict)return predict