近年來，神經機器翻譯的突飛猛進讓越來越多的人類翻譯感到壓力山大，瑟瑟發抖，那么如此強大的機器翻譯架構內部的運行機制究竟是怎樣的？本文用一系列動圖帶你看個明白。

過去幾十年來，統計機器翻譯一直是占據主導地位的機器翻譯模型[9]，直到神經機器翻譯（NMT）誕生。神經機器翻譯（NMT）是近幾年來新興的機器翻譯模式，該模式試圖構建和訓練能夠讀取輸入文本，并輸出翻譯結果的單個大型神經網絡。

NMT的最初來自Kalchbrenner和Blunsom（2013）等人的提議。今天更為人所知的框架是從Sutskever等人提出的seq2seq框架。本文就將重點介紹seq2seq框架以及如何構建基于seq2seq框架的注意力機制。

總體來說，注意力層的部署可以分為4步（其實是5步）

第0步：準備隱藏狀態。

首先準備第一個解碼器隱藏狀態（紅色）和所有可用的編碼器隱藏狀態（綠色）。在我們的例子中有4個編碼器隱藏狀態和當前解碼器隱藏狀態。

步驟1：獲取每個編碼器隱藏狀態的分數

通過評分函數（也稱為比對評分函數或比對模型）獲得評分（標量）。在該示例中，得分函數是解碼器和編碼器隱藏狀態之間的點積。

步驟2：通過softmax圖層運行所有分數。

我們將得分放到softmax函數層，使softmax處理后的得分（標量）之和為1。這些得分代表注意力的分布。

步驟3：將每個編碼器隱藏狀態乘以其softmax得分。

通過將每個編碼器隱藏狀態與其對應的softmax得分（標量）相乘，獲得對齊向量或注釋向量。這就是對齊的機制。

步驟4：總結對齊向量。

對齊向量的總結可以生成上下文向量。上下文向量反映的是前一步的對齊向量的聚合信息。

步驟5：將上下文向量送到解碼器。

具體傳送方式取決于翻譯系統的架構設計。我們將在下文示例中看到不同的架構如何利用解碼器的上下文向量。

下面來看看幾種seq2seq模型的運行機制，為便于理解，我們采用比較直觀的描述（對于每種模型，均以德-英翻譯為例）。

seq2seq

翻譯會從頭至尾把德語文本閱讀一遍，讀完開始逐詞翻譯成英語，如果句子過長，他可能會忘了文章開始時都讀過哪些內容。

一個簡單的seq2seq模型就是這樣了，至于面向注意力層的逐級計算，是下面要講的seq2seq+注意力模型，下面是這個模型的直觀表述。

seq2seq+ 注意力

翻譯一遍閱讀德文文本，一邊從頭至尾地記錄關鍵詞，然后開始翻譯成英語。每翻譯一個德語詞匯，都要用一次記下來的關鍵詞。

該機制下會為每個單詞分配一個得分，根據分數高低投入不同的注意力。然后根據Softmax函數處理過的分數，使用編碼器隱藏狀態的加權和來聚合編碼器隱藏狀態，獲得上下文向量。注意力層的實現可以分為4個步驟。

注意力機制的運行究竟是怎樣的?

答案是：反向傳播，沒想到吧。反向傳播將盡一切努力確保產出成果接近實際情況。通過改變RNN中的權重和得分函數（如果有的話）來實現這一目標。這些權重將影響編碼器隱藏狀態和解碼器隱藏狀態，進而影響注意力得分。

帶雙向編碼器的seq2seq+注意力

這一機制相當于有兩名翻譯。翻譯A一邊閱讀德語文本，一邊記錄關鍵詞。翻譯B（比A更高級的翻譯，可以從后往前倒著閱讀然后進行翻譯）也在逐詞閱讀同樣的德語文本，同時記下關鍵詞。

這兩個翻譯會定期討論到目前為止閱讀的每一個詞。一旦閱讀完畢，翻譯B會負責根據討論結果和選擇的綜合關鍵詞，將德語的句子逐字翻譯成英語。

翻譯A就是前向RNN，翻譯B就是后向RNN。

采用雙層堆疊編碼器的seq2seq+注意力

翻譯A一邊閱讀德語文本，一邊記錄關鍵詞。翻譯B（比A更高級的翻譯，可以從后往前倒著閱讀然后進行翻譯）也在逐詞閱讀同樣的德語文本，同時記下關鍵詞。注意，初級翻譯A必須把閱讀到的每個單詞向翻譯B報告。閱讀完成后，兩位翻譯都會根據他們所選擇的綜合關鍵詞，逐字逐句地將句子翻譯成英語。

谷歌的神經機器翻譯：帶8個堆疊編碼器的seq2seq（+雙向+剩余連接）+注意力

相當于翻譯A、B、...到H一共8位翻譯，從下到上排成一列。每位翻譯都閱讀相同的德語文本。每閱讀一個單詞，翻譯A會與翻譯B分享發現，翻譯B對發現內容進行改進，并與翻譯C分享，以此類推重復這個過程，直到翻譯H為止。此外，在閱讀德語文本時，翻譯H會根據自己的知識和收到的信息記錄下相關的關鍵詞。

在每個翻譯都閱讀過英文文本之后，命令翻譯A開始翻譯第一個單詞。首先，翻譯A試圖回憶起，然后他與譯者B分享他的答案，譯者B改進答案并與譯者C分享，以此類推重復這一過程，直到翻譯H。然后，翻譯H根據記錄的關鍵詞寫出第一個翻譯。重復這個過程，直到翻譯完成為止。