算是真正意义上的第一次对较大数据量的复现。
网络架构：
刚开始其实并不清楚这个解码器到底是怎么工作的，以及疑惑decoder的输入到底应该怎么匹配；事实上这就只是一个融合了信道传输的一个小号Transformer，仅此而已。 encoder相当于Transformer的编码器，只不过把这个编码的结果经过一下channel。在原文里面介绍的解码器其实少了很多东西，其实还是像原来Transformer一样的解码过程，即开始就经过embedding，pos_encoding后进行逐一位置的预测（当然在训练的时候还是和原Transformer一样可以直接一次性输入）。不过这里encoder和decoder都使用同一个embedding。
训练结果
事实上也没有按照原文的来训练，原文在phase=1的时候训练的MI，但是我这里跑起来loss会飞，初步估计是因为主干并没有预训练，encoder得到的东西并不好。所以我直接只训练主干，忽略了MI。预处理我使用了subword，并把大于30词的句子截断；loss直接用masked_entropy，30epoch后结果如下： 按batch看的loss：
按epoch看的loss：
bleu分数（只有后15epoch 因为之前的15epoch有点问题）：
一些猜想和结论
- 可能这里的subword会带来一些负面效果，导致掉点，而且预处理中没有去掉括号这种不太常见的符号
- 代码中可能少了一些normalization，导致掉点
- embedding一开始忘了加入padding_idx，导致一开始不收敛
- pytorch中transformer的mask可能没有比较详尽的解释。其中encoder会用到的是src_key_padding_mask，用来遮住pad；decoder在训练的时候会用到tgt_mask用来遮住未来的地方，即制作一个方形mask交给函数，而memory_key_padding_mask遮住encoder的结果中的pad，tgt_key_padding_mask遮住decoder中label的pad；在预测的时候只需要memory_key_padding_mask（如果是逐句的话连这个都不需要），其余两个不需要。
- nltk的bleu计算有点逆天。直接交进去一个tensor会是0，所以需要提前转list，就像这样：
source_vocab.to_tokens(list(inputs[i].cpu().numpy()) - 可以使用chain来对backprop路径上不相关的部分一起训练。当然，这也可以用在clip上。
代码在https://www.kaggle.com/code/sarlren/deepsc
