【模型】RNN-编解码模型-简单介绍

好了，这节我们先来看什么是RNN的编解码(Encoder-Decoder)模型吧。其实在讲RNN时，我们已经讲过Encoder-Decoder了，但这里作为回顾也好，作为重新理解也好，重新讲解一下。

一、Encoder-Decoder模型

先来说Encoder-Decoder模型，Encoder-Decoder模型并不是RNN专用的模型，更严确来说呢，它是一种解决方案。太严谨的定义也很难说，说了也很难理解，直接用例子来说吧。

如图所示，Encoder-Decoder把模型拆成了两部分：编码器与解码器。它先用第一部分编码器(编码器是一个模型)把输入压缩成一个信息(一般称为编码信息c)，然后再利用第二部分的解码器(解码器也是一个模型)来把编码信息c转换为预测目标y。

总的来说呢，就是引入c来作为 与之间的桥梁，先用编码器模型把 转换为c，再用解码器模型把c转换为y。

二、RNN-Encoder-Decoder模型

在RNN中，就经常使用Encoder-Decoder方式来解决seq2seq问题，也就是不定长的输入、输出问题。

2.1. 什么是seq2seq问题

可能有的同学忘了seq2seq(序列到序列)是什么了，那再详细说说。

seq2seq就是，对模型输入一个长为n的序列，然后让模型输出一个长为m的序列，它的输入n和输出m都是不定长的，例如翻译问题就是一个典型的seq2seq问题，它的输入、输出长度都是不确定的、任意的。

2.1. RNN的Encoder-Decoder模型

好了，RNN使用Decoder-Encoder方式时，就是用两个RNN分别作为编码器与解码器，编码器将输入序列转换为编码C，而解码器则根据编码C得得输出序列。

以翻译问题为例，示例如下：

如图，先用一个RNN作为Encoder，然后在充当编码器的RNN中输入要翻译的句子，那么当输入完最后一个字符时，RNN的隐状态就承载了所有的输入序列信息，此时，可以把它作为编码c。然后，在翻译阶段，仍然以一个RNN作为解码器，把编码c作为解码器RNN的初始状态，然后通过解码器RNN逐个输出翻译结果。

好了，这只是一个大概的示例，实际使用中的骚操作是多种多样的，但主体思想都差不多。

总结

这节我们大概地知道了RNN的Encoder-Decoder模型是什么。它其实就是用一个RNN作为编码器，用另一个RNN作为解码器，让输入与输出模型隔离，从而可以满足任意长度的输入、任意长度的输出。