原理

先看一下神经网络，神经网络是在做什么：输入经过隐藏层计算，得到输出。

比如一个痴汉，经过计算发现自己是小丑。

实际过程是这样的：

假设现在是在一个单隐藏层的神经网络中。

假设我的输入是个长为10的向量（因为有十个字），那现在$inpput: [X]_{10\times 1}$

经过一个隐藏层计算之后，隐藏层长度是12，现在$hidden: [H]_{12\times 1}$

最后得到输出向量长度为7，那就是$output:[Y]_{7\times 1}$

计算过程就是：

$H = W{HX}X + b{H}$
$Y = W{YH}H + b{Y}$

其中权重$W$和偏置$b$的维度为别是：
$[W{HX}]{12\times 10}$，$[b{H}]{12\times 1}$，$[W{YH}]{7\times 12}$，$[b{Y}]{7\times 1}$。

普通长度的神经网络确实可以改变向量的长度，但是他能做的事情太有限了，并且随着数据量的增大以及向量的边长，计算开销会爆炸增长。这个时候我们可能就需要用到一些别的东西来进行计算。

比如对于一些不定长序列的转化，例如机器翻译，我们可以使用一种称为seq2sqe的东西，即一个sequence到另一个sequence，这就要用到一个所谓的encoder-decoder。

从原理上来讲，这两部分主要负责的功能是：

encoder：表示输入
decoder：得到输出

encoder-decoder就是处理输入并得到对应的输出的一个架构。

图呢看起来还是这个图，但是你可以把前一部分做向量对其的封装起来做encoder，后一部分计算输出的封装起来做decoder。

当然了，既然变复杂了，功能也不是完全一样的，在decoder部分我们还是可以接收额外的输入的。

也就是输入在接受编码器产生的结果的同时，还可以接纳新的输入进行相应的计算。

代码

from torch import nn

基本操作先导个包。

class Encoder(nn.Module):
    def __init__(self, **kwargs):
        super(Encoder, self).__init__(**kwargs)

    def forward(self, X, *args):
        raise NotImplementedError

encoder部分搞一个类，传入对应的参数，这里定义一个前向传播进行计算，接受输入X，对其进行计算，得到中间状态。

class Decoder(nn.Module):
    def __init__(self, **kwargs):
        super(Decoder, self).__init__(**kwargs)

    def init_state(self, enc_outputs, *args):
        raise NotImplementedError

    def forward(self, X, state):
        raise NotImplementedError

decoder部分看一下子，这里开始也是进行一些参数的初始化。

中间有个init_state是接受encoder传来的计算结果，所以参数列表里有个enc_outputs即encoder的输出作为该部分的输入。

decoder部分也有一个前向传播的计算过程，这个是接受额外输入的，是否使用这一部分取决于你是否要在这一部分添加输入。

class EncoderDecoder(nn.Module):
    def __init__(self, encoder, decoder, **kwargs):
        super(EncoderDecoder, self).__init__(**kwargs)
        self.encoder = encoder
        self.decoder = decoder

    def forward(self, enc_X, dec_X, *args):
        enc_outputs = self.encoder(enc_X, *args)
        dec_state = self.decoder.init_state(enc_outputs, *args)
        return self.decoder(dec_X, dec_state)

最后将二者一个合并，初始化对其使用相应的encoder和decoder。
在计算部分可以看到有两个参数enc_X，dec_X，这两个分别是encoder的输入和decoder的输入。

decoder的状态是使用encoder的初始化函数，对encoder的输出进行计算的。最后的输出是使用decoder的输入和上一步获得的decoder的状态进行计算的。

大致框架是这样的，具体内容要根据实际操作进行填充。