search

Sequence models & Attention mechanism

hashtag
Basic Models

  • Seq2Seq (Sequence-to-Sequence) 是一種用於序列到序列轉換的模型

    • e.g. Machine translation, Speech recognition

  • Seq2Seq 模型包含 Encoder 和 Decoder

    • 可以想像人類要翻譯一段英翻中，通常需要將英文編碼成自己的想法，再將想法解碼成中文

  • Seq2Seq 也用在 Image Captioning

  • 例如下圖將 AlexNet 的最後一層 softmax 改為 RNN 作為 Decoder

hashtag
Picking the most likely sentence

  • 我們之前學過用 language model 進行 sampling 時

    • Decoder 的 input a 和 x 都是 0 向量

  • 在 machine translation 的 Decoder 的 input 則不同

    • Decoder 的 input 是 encoder 最後的輸出

    • 所以機器翻譯像是建立一個 Conditional Language Model

    • P(y^<1>,⋯ ,y^<Ty>∣x<1>,⋯ ,x<Tx>)P(\hat{y}^{<1>}, \cdots, \hat{y}^{<T_y>} \mid x^{<1>}, \cdots, x^{<Tx>})

    • 我們可以簡化成 P(y^∣x)P(\hat{y}\mid x)

      • 其中 y^\hat{y} 是要翻譯出的句子

      • 而 xx 是原本語言的句子

  • 一個句子的翻譯可以產出多種不一樣的句子 (以下是法翻英的結果)

  • 我們的目標就是從所有的翻譯中，找到最棒的那一個句子

    • arg maxy^P(y^∣x)\text{arg max}_{\hat{y}} P(\hat{y}\mid x)

hashtag
Why not greedy search ?

  • 那麼為什麼不乾脆在抓每一個 y^\hat{y} 時，都挑機率最大的就好 ?

    • 原因有兩個

      1. 今天 Jane is 是前兩個字，那麼第三個字在 going 的機率可能比 visiting 還要高

        • 因為 embedding 學到的 going 出現機率較多

      2. 若字典有 10000 個單字，那麼 10 個字就有 10 的 10000 次方選擇

        • 顯然 greedy 沒有那麼神可以一次找到最佳解

hashtag
Beam Search

  • 通常我們使用 beam search 來應用於 machine translation

  • Beam search 一次考慮多種可能性

  • 我們會設定一個 beam width 表示考慮幾種可能性

  • 假設我們設定 width = 3 在 y^<1>\hat{y}^{<1>} 找到了 in, jane, september 可能性最高

  • 於是就針對這三個 RNNs 找下一個 y^<2>\hat{y}^{<2>}

    • 也就是找 P(y^<2>∣x, in),P(y^<2>∣x, jane),P(y^<2>∣x, september)P(\hat{y}^{<2>} \mid x, \text{ in}), P(\hat{y}^{<2>} \mid x, \text{ jane}), P(\hat{y}^{<2>} \mid x, \text{ september})

  • 接著我們找到 "in september", "jane is", "jane visits" 這三個

    • 代表 "september" 為第一個字的句子已經被剔除掉了

    • 我們就以這三個句子往下建立句子

    • 每次在建立時，會把所有字典的字都抓出來比對，找出最高機率的

      • "jane is -> [a, aaron, ..., september, ..., visit, ..., zoo, \]"

  • 用機率模型表示，我們在決定前兩個單字時

    • P(y^<1>,y^<2>∣x)=P(y^<1>∣x)P(y^<2>∣x,y^<1>)P(\hat{y}^{<1>}, \hat{y}^{<2>}\mid x) = P(\hat{y}^{<1>}\mid x)P(\hat{y}^{<2>}\mid x, \hat{y}^{<1>})

      • 我們就是在取這個機率最大的前三個句子

  • 以此類推，最後一個單字的挑選就是

    • arg max∏t=1TyP(y^<t>∣x,y^<1>,⋯ ,y<t−1>^)\text{arg max} \prod_{t=1}^{T_y} P(\hat{y}^{<t>}\mid x, \hat{y}^{<1>}, \cdots, \hat{y^{<t-1>}})

  • 若是 beam width 設定為 1 時，就是 greedy search

hashtag
Refine Beam Search

arg max∏t=1TyP(y^<t>∣x,y^<1>,⋯ ,y<t−1>^)\text{arg max} \prod_{t=1}^{T_y} P(\hat{y}^{<t>}\mid x, \hat{y}^{<1>}, \cdots, \hat{y^{<t-1>}})

  • 回顧剛剛的公式會發現，多個小於 1 的機率相乘後，會造成 Numerical Underflow

    • 變成極小的 floating number，導致電腦無法存取

  • 所以要透過 Length Normalization 來優化 beam search

    • 簡單來說，就是對所有機率取 log 並做平均

    • 因為取 log 後的最大值，依然等於原來的最大值

arg max1Tyα∑t=1Tylog⁡P(y^<t>∣x,y^<1>,⋯ ,y<t−1>^)\text{arg max}\frac{1}{T_y^{\alpha}} \sum_{t=1}^{T_y}\log P(\hat{y}^{<t>}\mid x, \hat{y}^{<1>}, \cdots, \hat{y^{<t-1>}})

  • 在最前面多了對整個公式除以句子長度的標準化

    • 標準化的原因是為了減少對輸出長句子的懲罰

    • 因為機率的原因，有可能會以為輸出短句子就是好句子

  • 而 α\alpha 是一個用來調節標準化的 hyperparameter

    • 當 α=1\alpha = 1 時表示除以整個句子長度來標準化，通常取 0.7

  • 最後關於 beam width 的選擇

    • 如果太大，可以得到很好的結果，但 cost 非常高

    • 如果太小，會得到較差結果，但 cost cheaper

    • 在實際 production 時，通常使用 10 - 100

    • 而在發表 paper 時，通常使用 1000 - 3000 使 paper 得到最高成效

hashtag
Error Analysis in Beam Search

  • 由於 beam search 不見得能每次都 output 最好的句子

  • 所以開發者可能會不斷嘗試修改 beam search 而忽略了有可能根本是 RNN 出錯

  • 這裡提供一個 error analysis 的方法來偵錯

  • 首先我們使用人類翻譯的句子當作最完美的 output y∗y^\ast

Jane visite I’Afrique en septembreHuman :Jane visits Africa in September.(y∗)Algorithm :Jane visits Africa last September.(y^)\begin{aligned} &\text{Jane visite I'Afrique en septembre} \\\\ \text{Human :} &\text{Jane visits Africa in September.} &&(y^\ast)\\ \text{Algorithm :}&\text{Jane visits Africa last September.} &&(\hat{y}) \end{aligned}

  • 我們將句子重新丟入 RNN + beam search 訓練找出 y∗,y^y^\ast, \hat{y} 的機率

  • 就能來分析一下 P(y∗∣x)P(y^\ast\mid x) 和 P(y^∣x)P(\hat{y}\mid x) 的關係

  • 如果 P(y∗∣x)>P(y^∣x)P(y^\ast\mid x) > P(\hat{y}\mid x)

    • 表示是 beam search 出現錯誤，沒有選到最佳的單字

  • 如我 P(y∗∣x)<P(y^∣x)P(y^\ast\mid x) < P(\hat{y}\mid x)

    • 表示 RNN 出現錯誤，預測出來的詞不是最佳的詞

  • 最終我們對所有有人類翻譯的句子進行對比

    • 即可找出 Beam 跟 RNN 出現錯誤的比重，以此為根據來 debug

hashtag
Bleu Score

  • Bleu (Bilingual Evaluation Understudy) Score 用於評分機器翻譯的品質

    • understudy 表示隨時可替代正規的後補

  • 他的想法是機器翻譯的越接近人類翻譯，其分數就越高

  • 最原始的 Bleu 錯誤的算法

    • 將機器翻譯的每個單字出現於人類翻譯的次數累加作為分子

    • 將機器翻譯出現該單字的次數作為分母

    • 結果全部都是同個字的錯誤翻譯得到了滿分

  • 改進的 Bleu 算法

    • 只將該單字出現在該句子的最高出現次數作為分子

    • 分母和原本一樣

    • 於是準確度很合理的降低

hashtag
N-gram

  • 以上抓取每個單字統計評分方法稱為 unigram

  • 如果要抓取兩個單字來評分稱為 bigram

  • 首先統計單字在機器翻譯結果中的 count\text{count}

  • 接著統計單字在人類翻譯結果中的 countclip\text{count}_\text{clip}

    • 注意 countclip\text{count}_\text{clip} 不會超過 count\text{count}

  • 接著我們就會對 unigram, bigram, trigram, ... n-gram 做加總

    • pn=∑n-gram∈y^countclip(n-gram)∑n-gram∈y^count(n-gram)p_n = \frac{\sum_{\text{n-gram}\in\hat{y}}\text{count}_\text{clip}(\text{n-gram})}{\sum_{\text{n-gram}\in\hat{y}}\text{count}(\text{n-gram})}

  • 再來對 N 個 pnp_n 加權平均得到

    • pave=exp(1N∑i=1Nlog⁡(pn))p_{ave} = exp(\frac{1}{N}\sum_{i=1}^N\log(p_n))

hashtag
Problems

  • 當機器翻譯較短時，其單字出現於人類翻譯的次數可能增加，導致分數較高

  • 改善方法是新增 Brevity Penalty (BP)，處罰那些短於人類翻譯的句子

BP={1,if MT-output-length>reference-output-lengthexp(1−MT-output-lengthreference-output-length)otherwiseBP = \left\{\begin{matrix} 1, &&\text{if MT-output-length} > \text{reference-output-length} \\ exp(\frac{1-\text{MT-output-length}}{\text{reference-output-length}}) && \text{otherwise} \end{matrix}\right.

  • 最終得到的 Bleu 分數

Bleu=BP×exp(1N∑i=1Nlog⁡(pn))Bleu = BP \times exp(\frac{1}{N}\sum_{i=1}^N\log(p_n))

  • Bleu score 的提出成為很棒的評估指標貢獻

  • 加速所有 machine translation, text generation 等領域的進步

相關論文： Papineni et. al., 2002. A method for automatic evaluation of machine translationarrow-up-right

hashtag
Attention Model

  • 原本的 Seq2Seq 模型在處理長度較大的句子時，記憶力較差

    • 對於 Seq2Seq 長度大的句子，其 Bleu score 會隨著長度增加而遞減

  • 人類在翻譯時也是如此，不太可能將整段句子讀完，再一口氣翻譯所有句子

  • 於是 Attention Model 被提出，讓網路像人類一樣去處理句子，是目前最有影響力的想法之一

  • 簡單來說，我們平行出另一個 RNN 網路，他的 activation 稱作 ss 跟原本 aa 作用相同

  • 我們計算平行網路當下對所有 a 的注意力，並加權計算成 context cc

  • 平行網路即可透過 s,cs, c 來產出 y^\hat{y}

hashtag
Detail

  • 下層是一個 BRNN，每個 time step 都可根據前後網路產生

a<t′>=(a→<t′>,a←<t′>)a^{<t'>} = (\overrightarrow{a}^{<t'>}, \overleftarrow{a}^{<t'>})

  • 上層是一個新的 many-to-many RNN model

  • 透過前一個 timestep 產出的 s<t−1>,y^<t>s^{<t-1>}, \hat{y}^{<t>}

  • 和下層提供的 cc 來輸出 y<t>^\hat{y^{<t>}}

c<t>=∑t′α<t,t′>a<t′>c^{<t>} = \sum_{t'} \alpha^{<t, t'>}a^{<t'>}

  • (注意上面一個是 alpha 一個是 activation a)

  • 其中的 α<t,t′>\alpha^{<t, t'>} 代表 y^<t>\hat{y}^{<t>} 對於 a<t′>a^{<t'>} 的注意力

  • 而每個 timestep t 所擁有的所有 α\alpha 加總為 1

∑t′α<t,t′>=1\sum_{t'}\alpha^{<t, t'>} = 1

  • 為確保加總為 1 ，將使用 softmax 來計算 alpha

α<t,t′>=exp(et,t′)∑t′=1Txexp(et,t′)\alpha^{<t, t'>} = \frac{exp(e^{t, t'})}{\sum_{t'=1}^{T_x}exp(e^{t, t'})}

  • 其中的 e<t,t′>e^{<t, t'>} 將透過 input s<t−1>,a<t′>s^{<t-1>}, a^{<t'>} 至神經網路學習

  • 注意力模型有一個缺點是 Time Complexity = O(n3)O(n^3)

  • 從機器翻譯來看，Attention 機制很好的運用在其中

  • 在翻譯每一個單字時，都會注意到正確的原單字

相關論文 : Bahdanau et. al., 2014. Neural machine translation by jointly learning to align and translatearrow-up-right

hashtag
Speech Recognition

  • 在 speech recognition 中，輸入一段音頻，輸出相對應的句子

  • 通常在 pre-processing 步驟，會利用音頻來生成聲譜圖 (spectrogram) 作為 features

  • 以前的 speech recognition 會透過語言專家設計的 phonemes 來 build model

    • phonemes (音素) 指的是能識別任意兩個詞的最小語音單位

  • 而現在的 deep learning 則可以讀入一段音頻，直接輸出句子

  • 在進行基於深度學習的 speech recognition

    • 學術研究通常需要使用到 3000 hr 的音頻數據

    • 商業應用則需要超過 10000 hr 的音頻數據

  • 以下是一個使用 attention mechanism 的 speech recognition RNN model

  • 由於的input 的音頻輸入肯定大於 output 的句子長度

  • 我們用 CTC (Connectionist Temporal Classification) 進行語音辨識

  • CTC 允許 RNN 生成如下的 output

    • 相同的字母可以重複出現，空格代表下一個字母

    • e.g. tttheeeee-__aaa_p_ppppp_ll_e

    • => the apple

hashtag
Trigger Word Detection

  • 在現代家電可以看到許多 trigger word detection，通過特定詞語來喚醒設備

    • e.g. Google Assistant, Apple Siri, Amazon Alexa, ...

  • 使用 RNN 可以簡單實現 trigger word detection

    • 將觸發詞之後的 output 設定為 1

    • 其他的單字 output 設定為 0

PreviousNatural Language Processing & Word EmbeddingsNextLinear Algebra

Last updated