encoder-decoder polish done

chapter_recurrent-modern/encoder-decoder.md

@@ -1,23 +1,42 @@
 # 编码器-解码器架构
 :label:`sec_encoder-decoder`
 
-正如我们在 :numref:`sec_machine_translation`中所讨论的，机器翻译是序列转换模型的一个核心问题，其输入和输出都是长度可变的序列。为了处理这种类型的输入和输出，我们可以设计一个包含两个主要组件的架构。第一个组件是一个*编码器*（encoder）：它接受一个长度可变的序列作为输入，并将其转换为具有固定形状的编码状态。第二个组件是*解码器*（decoder）：它将固定形状的编码状态映射到长度可变的序列。这被称为*编码器-解码器*（encoder-decoder）架构。如 :numref:`fig_encoder_decoder` 所示。
+正如我们在 :numref:`sec_machine_translation`中所讨论的，
+机器翻译是序列转换模型的一个核心问题，
+其输入和输出都是长度可变的序列。
+为了处理这种类型的输入和输出，
+我们可以设计一个包含两个主要组件的架构：
+第一个组件是一个*编码器*（encoder）：
+它接受一个长度可变的序列作为输入，
+并将其转换为具有固定形状的编码状态。
+第二个组件是*解码器*（decoder）：
+它将固定形状的编码状态映射到长度可变的序列。
+这被称为*编码器-解码器*（encoder-decoder）架构，
+如 :numref:`fig_encoder_decoder` 所示。
 
 ![编码器-解码器架构](../img/encoder-decoder.svg)
 :label:`fig_encoder_decoder`
 
-让我们以英语到法语的机器翻译为例。给定一个英文的输入序列：“They”、“are”、“watching”、“.”。首先，这种“编码器－解码器”架构将长度可变的输入序列编码成一个状态，然后对该状态进行解码，一个词元接着一个词元地生成翻译后的序列作为输出：“Ils”、“regordent”、“.”。由于“编码器－解码器”架构是形成后续章节中不同序列转换模型的基础，因此本节将把这个架构转换为接口方便后面的代码实现。
+我们以英语到法语的机器翻译为例：
+给定一个英文的输入序列：“They”、“are”、“watching”、“.”。
+首先，这种“编码器－解码器”架构将长度可变的输入序列编码成一个“状态”，
+然后对该状态进行解码，
+一个词元接着一个词元地生成翻译后的序列作为输出：
+“Ils”、“regordent”、“.”。
+由于“编码器－解码器”架构是形成后续章节中不同序列转换模型的基础，
+因此本节将把这个架构转换为接口方便后面的代码实现。
 
 ## (**编码器**)
 
-在编码器接口中，我们只指定长度可变的序列作为编码器的输入`X`。任何继承这个`Encoder` 基类的模型将完成代码实现。
+在编码器接口中，我们只指定长度可变的序列作为编码器的输入`X`。
+任何继承这个`Encoder` 基类的模型将完成代码实现。
 
 ```{.python .input}
 from mxnet.gluon import nn
 
 #@save
 class Encoder(nn.Block):
-    """编码器-解码器架构的基本编码器接口。"""
+    """编码器-解码器架构的基本编码器接口"""
     def __init__(self, **kwargs):
         super(Encoder, self).__init__(**kwargs)
 
@@ -31,7 +50,7 @@ from torch import nn
 
 #@save
 class Encoder(nn.Module):
-    """编码器-解码器架构的基本编码器接口。"""
+    """编码器-解码器架构的基本编码器接口"""
     def __init__(self, **kwargs):
         super(Encoder, self).__init__(**kwargs)
 
@@ -45,7 +64,7 @@ import tensorflow as tf
 
 #@save
 class Encoder(tf.keras.layers.Layer):
-    """The base encoder interface for the encoder-decoder architecture."""
+    """编码器-解码器架构的基本编码器接口"""
     def __init__(self, **kwargs):
         super(Encoder, self).__init__(**kwargs)
 
@@ -55,12 +74,19 @@ class Encoder(tf.keras.layers.Layer):
 
 ## [**解码器**]
 
-在下面的解码器接口中，我们新增一个`init_state` 函数用于将编码器的输出（`enc_outputs`）转换为编码后的状态。注意，此步骤可能需要额外的输入，例如：输入序列的有效长度，这在 :numref:`subsec_mt_data_loading` 中进行了解释。为了逐个地生成长度可变的词元序列，解码器在每个时间步都会将输入（例如：在前一时间步生成的词元）和编码后的状态映射成当前时间步的输出词元。
+在下面的解码器接口中，我们新增一个`init_state`函数，
+用于将编码器的输出（`enc_outputs`）转换为编码后的状态。
+注意，此步骤可能需要额外的输入，例如：输入序列的有效长度，
+这在 :numref:`subsec_mt_data_loading` 中进行了解释。
+为了逐个地生成长度可变的词元序列，
+解码器在每个时间步都会将输入
+（例如：在前一时间步生成的词元）和编码后的状态
+映射成当前时间步的输出词元。
 
 ```{.python .input}
 #@save
 class Decoder(nn.Block):
-    """编码器-解码器架构的基本解码器接口。"""
+    """编码器-解码器架构的基本解码器接口"""
     def __init__(self, **kwargs):
         super(Decoder, self).__init__(**kwargs)
 
@@ -75,7 +101,7 @@ class Decoder(nn.Block):
 #@tab pytorch
 #@save
 class Decoder(nn.Module):
-    """编码器-解码器架构的基本解码器接口。"""
+    """编码器-解码器架构的基本解码器接口"""
     def __init__(self, **kwargs):
         super(Decoder, self).__init__(**kwargs)
 
@@ -90,7 +116,7 @@ class Decoder(nn.Module):
 #@tab tensorflow
 #@save
 class Decoder(tf.keras.layers.Layer):
-    """编码器-解码器架构的基本解码器接口。"""
+    """编码器-解码器架构的基本解码器接口"""
     def __init__(self, **kwargs):
         super(Decoder, self).__init__(**kwargs)
 
@@ -103,12 +129,15 @@ class Decoder(tf.keras.layers.Layer):
 
 ## [**合并编码器和解码器**]
 
-最后，“编码器-解码器”架构包含了一个编码器和一个解码器，并且还拥有可选的额外的参数。在前向传播中，编码器的输出用于生成编码状态，这个状态又被解码器作为其输入的一部分。
+总而言之，“编码器-解码器”架构包含了一个编码器和一个解码器，
+并且还拥有可选的额外的参数。
+在前向传播中，编码器的输出用于生成编码状态，
+这个状态又被解码器作为其输入的一部分。
 
 ```{.python .input}
 #@save
 class EncoderDecoder(nn.Block):
-    """编码器-解码器架构的基类。"""
+    """编码器-解码器架构的基类"""
     def __init__(self, encoder, decoder, **kwargs):
         super(EncoderDecoder, self).__init__(**kwargs)
         self.encoder = encoder
@@ -124,7 +153,7 @@ class EncoderDecoder(nn.Block):
 #@tab pytorch
 #@save
 class EncoderDecoder(nn.Module):
-    """编码器-解码器架构的基类。"""
+    """编码器-解码器架构的基类"""
     def __init__(self, encoder, decoder, **kwargs):
         super(EncoderDecoder, self).__init__(**kwargs)
         self.encoder = encoder
@@ -140,7 +169,7 @@ class EncoderDecoder(nn.Module):
 #@tab tensorflow
 #@save
 class EncoderDecoder(tf.keras.Model):
-    """编码器-解码器架构的基类。"""
+    """编码器-解码器架构的基类"""
     def __init__(self, encoder, decoder, **kwargs):
         super(EncoderDecoder, self).__init__(**kwargs)
         self.encoder = encoder
@@ -152,8 +181,10 @@ class EncoderDecoder(tf.keras.Model):
         return self.decoder(dec_X, dec_state, **kwargs)
 ```
 
-“编码器－解码器”体系架构中的术语“状态”可能会启发你使用具有状态的神经网络来实现该架构。
-在下一节中，我们将学习如何应用循环神经网络，来设计基于“编码器－解码器”架构的序列转换模型。
+“编码器－解码器”体系架构中的术语“状态”
+可能会启发你使用具有状态的神经网络来实现该架构。
+在下一节中，我们将学习如何应用循环神经网络，
+来设计基于“编码器－解码器”架构的序列转换模型。
 
 ## 小结
 
@@ -163,8 +194,8 @@ class EncoderDecoder(tf.keras.Model):
 
 ## 练习
 
-1. 假设我们使用神经网络来实现“编码器－解码器”架构。那么编码器和解码器必须是同一类型的神经网络吗？
-1. 除了机器翻译，你能想到另一个可以适用于”编码器－解码器“架构的应用吗？
+1. 假设我们使用神经网络来实现“编码器－解码器”架构，那么编码器和解码器必须是同一类型的神经网络吗？
+1. 除了机器翻译，你能想到其它可以适用于”编码器－解码器“架构的应用吗？
 
 :begin_tab:`mxnet`
 [Discussions](https://discuss.d2l.ai/t/2780)