本文转自：http://www.hankcs.com/nlp/cs224n-gru-nmt.html
从动机层面直观地充实了GRU和LSTM的理解，介绍了MT的评测方法，讨论了NMT中棘手的大词表问题和一些常见与最新的解决办法。
深入LSTM
宏观上的LSTM Cell：
将所有操作都gate起来，方便遗忘甚至忽略一些信息，而不是把所有东西都塞到一起。
New Memory Cell的计算是一个非线性的过程，与朴素RNN一模一样：
最关键之处在于，Memory Cell的更新中有一个加法项直接来自上一刻的Cell，也就是说建立了ctct和ct−1ct−1的直接线性连接（与ResNet类似）：
类似于GRU中的加法，在反向传播的时候允许原封不动地传递残差，也允许不传递残差，总之是自适应的。
有了这些改进，LSTM的记忆可以比RNN持续更长的step（大约100）：
一个具体的BLEU重叠例子：
为了防止某篇机翻实际上很好，可就是跟人类译文用词行文不相似的情况，IBM的论文建议多准备几篇标准答案，这样总会撞上一个：
当然了，虽然IBM建议准备4篇，实际测试中经常只有1篇。没有完美体现能力的考试，现实社会也是如此。
刚开始的时候，BLEU和人工打分几乎是线性相关（一致）的：
而当人们为了BLEU分数费尽心机之后，两者就开始脱钩了。这也是为什么Google翻译的效果没有宣称的那么好的原因之一。
解决大词表问题
大词表问题指的是softmax的计算难度：
早期的MT系统会使用较小的词表，但这并不是解决问题，而是逃避问题。
另一种思路是，hierarchical softmax，建立树形词表，但这类方法过于复杂，让模型对树形结构敏感而不是对词语本身敏感。
另外就是上几次课见过的廉价的NCE，这些方法对GPU都不友好。
Large-vocab NMT
最新的方法是训练时每次只在词表的一个小子集上训练，因为40%的词语只出现一次，如果把训练数据均分为许多份，则每一份中的稀有词可能都不会在其他语料中出现。然后测试时加一些技巧，待会儿详谈。
训练
如何选择小词表呢？在刚才的方法上更进一步，让用词相似的文章进入同一个子集，这样每个子集的词表就更小了。
另有一些混合动力的NMT，大部分情况下在词语级别做翻译，只在需要的时候从字符级去翻译。这个系统的主体是词语级别的LSTM：
在词语级别上做常规的柱搜索：
一旦产生了unknown词语，则在字符级别进行柱搜索：
然后提升了两个BLEU分值。
