<mark id="oztn4"></mark>
1
去年，谷歌發布了 Google Neural Machine Translation (GNMT)，即谷歌神經機器翻譯，一個 sequence-to-sequence (“seq2seq”) 的模型。現在，它已經用于谷歌翻譯的產品系統。
雖然消費者感受到的提升并不十分明顯，谷歌宣稱，GNMT 對翻譯質量帶來了巨大飛躍。
但谷歌想做的顯然不止于此。其在官方博客表示：“由于外部研究人員無法獲取訓練這些模型的框架，GNMT 的影響力受到了束縛。”
如何把該技術的影響力最大化？答案只有一個——開源。
因而，谷歌于昨晚發布了 tf-seq2seq —— 基于 TensorFlow 的 seq2seq 框架。谷歌表示，它使開發者試驗 seq2seq 模型變得更方便，更容易達到一流的效果。另外，tf-seq2seq 的代碼庫很干凈并且模塊化，保留了全部的測試覆蓋，并把所有功能寫入文件。
該框架支持標準 seq2seq 模型的多種配置，比如編碼器/解碼器的深度、注意力機制（attention mechanism）、RNN 單元類型以及 beam size。這樣的多功能性，能幫助研究人員找到最優的超參數，也使它超過了其他框架。詳情請參考谷歌論文《Massive Exploration of Neural Machine Translation Architectures》。
上圖所示，是一個從中文到英文的 seq2seq 翻譯模型。每一個時間步驟，編碼器接收一個漢字以及它的上一個狀態（黑色箭頭），然后生成輸出矢量（藍色箭頭）。下一步，解碼器一個詞一個詞地生成英語翻譯。在每一個時間步驟，解碼器接收上一個字詞、上一個狀態、所有編碼器的加權輸出和，以生成下一個英語詞匯。雷鋒網提醒，在谷歌的執行中，他們使用 wordpieces 來處理生僻字詞。
據雷鋒網了解，除了機器翻譯，tf-seq2seq 還能被應用到其他 sequence-to-sequence 任務上；即任何給定輸入順序、需要學習輸出順序的任務。這包括 machine summarization、圖像抓取、語音識別、對話建模。谷歌自承，在設計該框架時可以說是十分地仔細，才能維持這個層次的廣適性，并提供人性化的教程、預處理數據以及其他的機器翻譯功能。
谷歌在博客表示：
“我們希望，你會用 tf-seq2seq 來加速（或起步）你的深度學習研究。我們歡迎你對 GitHub 資源庫的貢獻。有一系列公開的問題需要你的幫助！”
GitHub 地址：https://github.com/google/seq2seq
GitHub 資源庫：https://google.github.io/seq2seq/nmt/
via googleblog，雷鋒網編譯
相關文章：
Google Brain：NMT訓練成本太高？用大規模神經機器翻譯架構分析給出解決方案
