Decoder Deep Dive

解码器（Decoder）

1. 解码器的输入与目标

解码器的作用：

输入：编码器（Encoder）生成的 上下文向量 c，以及前一个时间步的输出。
输出：一个新的序列 $y_1, y_2, \dots, y_U$ （可能与输入长度不同），比如：
- 机器翻译时， $y$ 是目标语言的翻译句子。
- 文本摘要时， $y$ 是摘要文本。
- 语音识别时， $y$ 是转换后的文本。

公式：

y = (y_1, y_2, \cdots , y_U)

其中 $U$ 可能与输入序列长度 $T$ 不同。

2. 解码器的隐藏状态更新

解码器在每个时间步 $t$ 计算一个新的隐藏状态：

s_t' = g(s_{t-1}, y_{t'-1}, c)

含义：

$s_t'$ ：当前时间步 $t$ 的隐藏状态。
$s_{t-1}$ ：前一个时间步的隐藏状态（用来存储之前的信息）。
$y_{t'-1}$ ：上一个时间步的输出（解码器是自回归的，即它使用自己生成的前一个 token 作为输入）。
$c$ ：来自编码器的上下文向量，表示整个输入序列的信息。

直观理解：

解码器从 编码器的输出（context vector）+ 之前生成的 token 中学习信息。
当前隐藏状态 $s_t'$ 是基于过去的内容逐步更新的，类似于 RNN 的递归计算过程。

3. 生成下一个单词

解码器的隐藏状态 $s_t'$ 会传递到输出层，计算当前时间步的 token $y_{t'}$ 的条件概率：

P(y_{t'} | y_{t'-1}, \cdots , y_1, c) = \text{softmax}(s_{t-1}, y_{t'-1}, c)

解释：

解码器会预测下一个 token $y_{t'}$ 的概率分布，这里使用了 softmax 归一化，使得所有可能的单词形成一个概率分布。
例如，如果在机器翻译任务中：
- $P(\text{"Hello"} | \text{"Bonjour"}, c) = 0.8$
- $P(\text{"Hi"} | \text{"Bonjour"}, c) = 0.2$
- 说明解码器认为 "Bonjour" 更可能翻译成 "Hello"。

直观理解：

解码器每一步预测下一个单词的概率分布。
通过 softmax 选择最有可能的单词。
这个新单词会成为下一步的输入，重复这个过程，直到生成完整句子。

4. 直观示例

例子 1：机器翻译（英文 → 法文）

输入（Encoder）： "I love machine learning" 目标（Decoder）： "J'aime l'apprentissage automatique"

编码器 读取 "I love machine learning"，最终输出 context vector ( c )。
解码器 使用 context vector $c$ ，并从 "<start>" 令牌开始，逐步预测：
- 预测 "J'aime"，作为第一步输出。
- 预测 "l'apprentissage"，作为第二步输出。
- 预测 "automatique"，作为第三步输出。
- 预测 "<end>"，表示解码完成。

例子 2：文本摘要

输入（Encoder）： "Neural networks are widely used in deep learning. They can model complex patterns and relationships in data." 目标摘要（Decoder）： "Neural networks power deep learning."

编码器 读取整段文本，提取其上下文信息。
解码器 通过 context vector 逐步生成摘要。

5. 总结

解码器的任务 是从编码器得到的上下文向量 $c$ ，然后逐步生成新的序列 $y_1, y_2, \dots, y_U$ 。
解码器的隐藏状态 $s_t'$ 依赖于：
- 之前的隐藏状态 $s_{t-1}$
- 之前的输出 $y_{t'-1}$
- 上下文向量 $c$
解码器通过 softmax 计算下一个 token 的概率分布，然后选择最可能的 token 作为输出。
它是一个自回归（Autoregressive）过程，每个新生成的单词都会作为下一步的输入，直到生成完整的序列。

应用场景：

机器翻译（NMT）
文本摘要
语音识别（ASR）
聊天机器人（Chatbot）

PreviousEncoder Deep Dive NextEncoder VS Decoder

Last updated 2 months ago

Decoder Deep Dive

解码器（Decoder）

1. 解码器的输入与目标

解码器的作用：

输入：编码器（Encoder）生成的 上下文向量 c，以及前一个时间步的输出。
输出：一个新的序列 $y_1, y_2, \dots, y_U$ （可能与输入长度不同），比如：
- 机器翻译时， $y$ 是目标语言的翻译句子。
- 文本摘要时， $y$ 是摘要文本。
- 语音识别时， $y$ 是转换后的文本。

公式：

y = (y_1, y_2, \cdots , y_U)

其中 $U$ 可能与输入序列长度 $T$ 不同。

2. 解码器的隐藏状态更新

解码器在每个时间步 $t$ 计算一个新的隐藏状态：

s_t' = g(s_{t-1}, y_{t'-1}, c)

含义：

$s_t'$ ：当前时间步 $t$ 的隐藏状态。
$s_{t-1}$ ：前一个时间步的隐藏状态（用来存储之前的信息）。
$y_{t'-1}$ ：上一个时间步的输出（解码器是自回归的，即它使用自己生成的前一个 token 作为输入）。
$c$ ：来自编码器的上下文向量，表示整个输入序列的信息。

直观理解：

解码器从 编码器的输出（context vector）+ 之前生成的 token 中学习信息。
当前隐藏状态 $s_t'$ 是基于过去的内容逐步更新的，类似于 RNN 的递归计算过程。

3. 生成下一个单词

解码器的隐藏状态 $s_t'$ 会传递到输出层，计算当前时间步的 token $y_{t'}$ 的条件概率：

P(y_{t'} | y_{t'-1}, \cdots , y_1, c) = \text{softmax}(s_{t-1}, y_{t'-1}, c)

解释：

解码器会预测下一个 token $y_{t'}$ 的概率分布，这里使用了 softmax 归一化，使得所有可能的单词形成一个概率分布。
例如，如果在机器翻译任务中：
- $P(\text{"Hello"} | \text{"Bonjour"}, c) = 0.8$
- $P(\text{"Hi"} | \text{"Bonjour"}, c) = 0.2$
- 说明解码器认为 "Bonjour" 更可能翻译成 "Hello"。

直观理解：

解码器每一步预测下一个单词的概率分布。
通过 softmax 选择最有可能的单词。
这个新单词会成为下一步的输入，重复这个过程，直到生成完整句子。

4. 直观示例

例子 1：机器翻译（英文 → 法文）

输入（Encoder）： "I love machine learning" 目标（Decoder）： "J'aime l'apprentissage automatique"

编码器 读取 "I love machine learning"，最终输出 context vector ( c )。
解码器 使用 context vector $c$ ，并从 "<start>" 令牌开始，逐步预测：
- 预测 "J'aime"，作为第一步输出。
- 预测 "l'apprentissage"，作为第二步输出。
- 预测 "automatique"，作为第三步输出。
- 预测 "<end>"，表示解码完成。

例子 2：文本摘要

编码器 读取整段文本，提取其上下文信息。
解码器 通过 context vector 逐步生成摘要。

5. 总结

解码器的任务 是从编码器得到的上下文向量 $c$ ，然后逐步生成新的序列 $y_1, y_2, \dots, y_U$ 。
解码器的隐藏状态 $s_t'$ 依赖于：
- 之前的隐藏状态 $s_{t-1}$
- 之前的输出 $y_{t'-1}$
- 上下文向量 $c$
解码器通过 softmax 计算下一个 token 的概率分布，然后选择最可能的 token 作为输出。
它是一个自回归（Autoregressive）过程，每个新生成的单词都会作为下一步的输入，直到生成完整的序列。

应用场景：

机器翻译（NMT）
文本摘要
语音识别（ASR）
聊天机器人（Chatbot）

PreviousEncoder Deep Dive NextEncoder VS Decoder

Last updated 2 months ago