友情提示：本文共有 1098 个字，阅读大概需要 3 分钟。
人类语言与机器语言如何流畅的转化?
教人类说话，需要学习人类的发音节奏和语调，才能上手实践。教机器说话，机器还不如人类说话清楚。其实，人类语言最大的问题在于，没有词。每个字都是一条语法链，一旦一个字有了反义词或者歧义，一句话就失去了本意。再加上一些像“形容词比副词复杂”这样的说法，人类直接说不出来。现有的机器语言，只能说出“人类能听懂的语言”。可以理解为，人类不用识字，直接说话就能理解很多事情。我们研究机器学习的问题，就是怎么把机器变得像人类一样理解知识。再高级一点，用户可以对机器做任何事情，哪怕是自己一句话也没说过。
机器先天具有记忆能力。我们的知识，会经过几次复杂的转换，在一系列复杂的情景下，做出下意识的反应。目前的人工智能训练方法还是以循环神经网络为主，训练有一段时间了。计算能力在提升，但是做不出有意义的语句。后来，人类想到了transformer，在语音识别和机器翻译这两个方向有着举足轻重的地位。因为它们是基于向量空间的训练方法，可以做到长短句识别，文本长短表述识别，不同字符形式训练方法不同，也可以尝试各种人工特征和自动特征。
目前，transformer输入的word是向量，但是输出是语句。训练出来的nlp模型，也可以训练出文章。最终的模型，也可以做翻译，叫对话系统。传统的人工nlp用的都是paddlepaddle，这也是目前国内最火的nlp框架。训练时用循环神经网络，输出word为向量。比如汉语说，你好吗？机器如果学习了句子，把人的说法转换成相应的answer，也就是汉语了。这是训练好后的模型，可以做到句子和answer的匹配。transformer模型的训练有两部分，pretrain和end-to-end。在训练时，并不是使用lstm之类的序列模型，而是用简单的rnn。用多个end-to-end对信息进行预处理，获得maskfeature，保证输入即输出，实现end-to-end的训练。目前来看，transformer模型能做到很多普通的nlp模型做不到的事情。
比如，传统的nlp模型，要做到句子和answer的匹配，只能是编码问句，不能是解码问句。transformer可以做到，把人的说法转换成更简单的表述。可以在中文用一个向量输入去预测其它语言的表述。训练后的模型，可以用来对话。原来想着，训练一个合格的对话系统，需要给机器说前半句话，后半句话的时候，需要多次differentiation，不同时刻做同一件事情，才能做好。这就需要多个answer去匹配人类语句，是比较困难的。为了解决这个问题，最终，transformer模型训练时，使用数字编码格式。
本文如果对你有帮助，请点赞收藏《人类语言与机器语言如何流畅的转化》，同时在此感谢原作者。
