訓(xùn)練

1． 計劃采樣

對上面提到的問題進(jìn)行一個小總結(jié)：訓(xùn)練預(yù)測過程中Ground Truth的未知導(dǎo)致的Exposure Bias 問題交叉熵?fù)p失函數(shù)的逐詞匹配所導(dǎo)致對于所有的非Ground Truth 一視同仁的問題。解碼Beam Search 的Beam Size 會引入大量的計算成本自回歸解碼導(dǎo)致的無法并行問題。

首先，針對于Exposure Bias問題，我們采用的是進(jìn)化采樣的方法，這個就是我們2019ACL Best Paper的工作。針對與訓(xùn)練和測試時context不一致的情況，我們的解決方法的主要思想是，在訓(xùn)練的時候模仿測試時候可能會碰到的情況，這樣在測試的時候就會發(fā)現(xiàn)，當(dāng)前碰到的情況在訓(xùn)練的時候都碰到過，這樣模型就可以應(yīng)對了。

具體的做法是我們在每一步，模擬上一步的翻譯結(jié)果，就是slides中的oracle，其中帶＊的是就是Ground Truth，在每一步，我們都會隨機的選擇是Oracle還是Ground Truth來作為當(dāng)前步的上一步詞輸入。

使用上述方法，我們需要解決的三個關(guān)鍵問題是：1）如何生成Oracle翻譯，2）Oracle和Ground Truth如何進(jìn)行采樣，3） 如何訓(xùn)練模型。

對于Oracle的生成，我們有兩種方法，一個是生成詞級別的Oracle，另一個是生成句級別的Oracle。詞級Oracle即每一步都會選擇最優(yōu)，句子級別Oracle需要考慮到整個句子的最優(yōu)。

由于RNN Search會在生成oracle的算法中會用到。在講生成oracle的算法之前，先大體介紹一下RNN Search模型。RNN Search在當(dāng)前步翻譯的時候，會輸入歷史的隱狀態(tài)信息，同時也會將上一步翻譯的結(jié)果輸入進(jìn)去，經(jīng)過一系列的變換，會得到當(dāng)前步的一個隱狀態(tài)，該隱狀態(tài)再經(jīng)過幾層全連接的計算，最終輸入到softmax層得到詞表中每一個詞的歸一化的分?jǐn)?shù)。

在生成詞級oracle的時候，我們會在softmax歸一化分布之前加上一個Gumble Noise。Gumble Noise 的公式如slides中所示，其中  表示一個均勻分布。式子中的 表示溫度，當(dāng)非常大的時候，相當(dāng)于argmax，當(dāng)  比較小的時候，相當(dāng)于均勻分布。

對于句級Oracle，我們首先采用Beam Search生成前K個候選譯文，然后對選定的K個候選譯文進(jìn)行排序，這里的排序可以根據(jù)K個候選譯文和Ground Truth計算一個BLUE值，還可以用一些其它的方法進(jìn)行排序，最終選取得分最高的譯文作為句級的Oracle。詞級Oracle和句級Oracle 是一個局部最優(yōu)和全局最優(yōu)的一個區(qū)別。

對于采樣，具體是怎么操作的呢？首先考慮到一點就是在剛開始訓(xùn)練的時候，模型的效果不怎么好，這樣，無論是詞級oracle的生成還是句級oracle的生成效果肯定都不是很理想，如果這時候使用oracle來引導(dǎo)模型訓(xùn)練的話， 可能會使得模型收斂的比較慢。一個比較合理的做法是，剛開始我們盡量選用Ground Truth的詞，當(dāng)模型快收斂的時候，我們再加大Oracle翻譯的采樣比例。這里的采樣概率公式如slides所示，其中，隨著epoch的增長，系統(tǒng)越來越傾向于選擇oracle label。

對于訓(xùn)練的話，同樣的采用最大化log likelihood的方式。

實驗結(jié)果：除了對比Transformer 和 RNN－Search，也對比了另外兩個系統(tǒng)，SS－NMT 和 MIXER。其中，SS－NMT也是通過計劃采樣的方式。MIXER的loss分為兩個部分，一個部分是傳統(tǒng)的Transformer使用的交叉熵?fù)p失函數(shù)，另外一部分是將BLEU值作為reward，然后通過policy gradient的方法對模型進(jìn)行訓(xùn)練。

這個是在中英文新聞數(shù)據(jù)上的結(jié)果，可以看到，在RNN－Search的系統(tǒng)上， 我們相比于Baseline能夠提升2．3個點。在Transformer系統(tǒng)上，相比于Baseline能夠提升1．5個點。

在英德新聞數(shù)據(jù)結(jié)果上，基于RNN－Search的系統(tǒng)比baseline高了1．6個點，基于Transformer的系統(tǒng)比baseline高了1．3個點。