标签：相关 info 动态 解码 解释 png coder 怎么 ima
<----- 1980 2013----------->
基于规则的机器翻译 基于统计的机器翻译 基于神经网络的机器翻译
——————————————————————————————————————
平行语料库
数据驱动的机器翻译
短语的切分、调序
统计机器翻译的优缺点：
然而，用神经网络进行建模，核心思路：用连续替代离散。
RNN 进行句子向量表示
hidden layer的最后一个神经元包含了这个句子所携带的所有信息，听起来特别的荒诞，但是就是好用啊。
这时再用decoder解码器进行解码
那么，递归神经网络进行机器翻译，有哪些优缺点呢？
这时，为了解决“梯度消失”或者“梯度爆炸”的问题，就引入了LSTM。LSTM，引入了“input gate”" forget gate" "output gate"。
我们的神经网络学习到了什么呢？谷歌到研究人员做了一些可视化的工作。说明，神经网络来进行机器翻译，还是有一定的效果的。
但是，编码器-解码器架构存在缺点，即（个人理解）在解码过程中的神经元是黑盒的，可解释性很低。
在这种情况下，注意力机制横空出世。
其核心思想是：集中关注相关的上下文。
注意力机制是怎么回事呢？
首先，进行一步双向的RNN，双向RNN的好处时，每一个单词都可以获得一个自己全局的地位。
再根据每个词的重要程度，动态地生成下一个词。
注意力机制能够有效的提升长句的翻译效果，LSTM是固定原语言的生成，而注意力是动态原语言生成
目前，注意力机制也应用在其他领域
标签：相关 info 动态 解码 解释 png coder 怎么 ima
原文地址：https://www.cnblogs.com/vector11248/p/10380862.html
