框架
简介
Seq2Seq,全称Sequence to Sequence（序列到序列），它是一种通用的编码器-解码器框架。这个框架最初是为了机器翻译构建的，但是后来也广泛应用到各种其他任务，包括文本摘要、会话建模和图像字幕等。最基础的 Seq2Seq模型包含了三个部分，即Encoder、Decoder以及连接两者的中间语义向量，Encoder通过学习输入，将 其编码成一个固定大小的语义向量C，继而将C传给Decoder，Decoder再通过对状态向量C的学习来进行输出。
Encoder
编码器（Encoder）是将输入序列通过非线性变换编码成一个指定长度的向量C（中间语义表示），得到C 有多种方式，最简单的方法就是把Encoder的最后一个隐状态赋值给C，还可以对最后的隐状态做一个变换得到 C，也可以对所有的隐状态做变换。
在RNN中，当前时间的隐状态由上一时间的状态和当前时间输入决定的，即：
获得了各个时间段的隐藏层以后，再将隐藏层的信息汇总，生成最后的语义向量：
另一种最简单的方法就是将最后的隐藏层作为语义向量C：
Decoder
可以看做编码的逆过程。这个阶段，根据给定的语义向量C和之前已经生成的输出序列y1,y2,…,yt-1来预测下 一个输出的单词yt,即:
也可以写作：
在RNN中，也可以简化成:
其中s是输出RNN（即RNN解码器）中的隐藏层，C代表之前编码器得到的语义向量，yt-1表示上个时间段 的输出，反过来作为这个时间段的输入。g可以是一个非线性的多层神经网络，产生词典中各个词语属于yt的概率。
CNN-Seq2Seq
早期大多数场景下使用的Seq2Seq模型是基于RNN构成的，虽然取得了不错的效果，但也有一些学者发现使用CNN来替换Seq2Seq中的encoder或decoder可以达到更好的效果，Facebook提出的完全使用CNN来构成 Seq2Seq模型，用于机器翻译，超越了谷歌提出的基于LSTM机器翻译的效果。CNN-Seq2Seq的优势主要体现在以下几个方面:
• 捕获long-distrance依赖关系。底层的CNN捕捉相距较近的词之间的依赖关系，高层CNN捕捉较远词之间的依赖关系。通过层次化的结构，实现了类似RNN（LSTM）捕捉长度在20个词以上的Sequence的依赖关系的功能。
• 效率高。假设一个Sequence长度为n，采用RNN（LSTM）对其进行建模需要进行n次操作，时间复杂度O （n）。相比，采用层叠CNN只需要进行n/k次操作，时间复杂度O（n/k），k为卷积窗口大小。
• 并行化实现。RNN对Sequence的建模依赖于序列的历史信息，因此不能并行实现。相比，层叠CNN对整个 Sequence进行卷积，不依赖序列历史信息，可以并行实现，特别是在工业生产，面临处理大数据量和实时要 求比较高的情况下，模型训练更快。
Seq2Seq模型缺点
Seq2Seq模型虽然非常经典，但是局限性也非常大。较大的局限性就在于编码和解码之间的联系就是一个固 定长度的语义向量C。也就是说，编码器要将整个序列的信息压缩进一个固定长度的向量中去。这样做有两个弊端：
1）语义向量C无法完全表示整个序列的信息
2）先输入的内容携带的信息会被后输入的信息稀释掉
输入序列越长，这个问题就越严重。这就使得在解码的时候一开始就没有获得输入序列足够的信息，那么 解码时准确率也会大打折扣。