来源：Coursera吴恩达深度学习课程

当训练完一个序列模型之后，我们要想了解到这个模型学到了什么，一种非正式的方法就是进行一次新序列采样（have a sample novel sequences），来看看到底应该怎么做。

注意序列模型模拟了任意特定单词序列的概率，我们需要对这些概率分布进行采样（sample）来生成一个新的单词序列。如上图所示：

①第一步：对你想要模型生成的一个词进行采样，输入（input）x^<1>=0和a^<0>=0，现在第一个时间步得到的输出是经过softmax层后得到的概率，然后根据这个softmax的分布进行随机采样。Softmax分布给你的信息就是第一个词a的概率是多少，第一个词是aaron的概率是多少，第一个词是zulu的概率是多少，还有第一个词是UNK（未知标识）的概率是多少，这个标识可能代表句子的结尾，然后对这个向量使用numpy命令为：

np.random.choice，来根据向量中这些概率的分布（according to distribution）进行采样，这样就能对第一个词进行采样了。

②然后继续下一个时间步，把采样得到的y帽^<1>作为输入（input），现在x^<2> = y帽^<1>，放入到a^<2>中，同样softmax层也会预测y帽^<2>。注意到不管第一个时间步得到的是什么词，都要传递到下一个位置作为输入（input）。

③然后再到下一个时间步，无论你得到什么样的用one-hot码表示的选择结果，都把它传递到下一个时间步，然后对第三个词进行采样。不管得到什么都把它传递下去，一直这样直到最后一个时间步。

那么我们要怎样知道一个句子结束了呢？（1）方法之一是，如果你的字典中有代表句子结尾的标识，当采样得到EOS标识时，这代表着已经抵达结尾，可以停止采样了。（2）另一种方法是，如果你的字典中没有EOS标识，你可以决定从20个或100个或其他个单词进行采样，然后一直将采样进行下去直到达到所设定的时间步。不过这种方法可能会产生一些未知标识，如果你要确保你的算法不会输出这种标识，可以拒绝采样过程中产生任何未知的标识，一旦出现就继续在剩下的词中进行重采样，直到得到一个不是未知标识的词。如果你不介意有未知标识产生的话，你也可以完全不管它们。

这就是你如何从你的RNN语言模型中生成一个随机选择的句子。直到现在我们所建立的是基于词汇的RNN模型，意思就是字典中的词都是英语单词。

在实际应用中，我们还可以构建一个基于字符的RNN结构（character level RNN），字典不仅包含从a到z的字母，可能还会有空格符，需要的话，还可以有数字0到9，如果你想区分字母大小写，可以再加上大写的字母，还可以实际地看一看训练集中可能会出现的字符，然后用这些字符组成你的字典。

使用基于字符的语言模型有优点也有缺点。（1）优点（pros）就是不必担心会出现未知的标识，例如基于字符的语言模型会将Mau这样的序列也视为可能性非零的序列。而对于基于词汇的语言模型，如果Mau不在字典中，你只能把它当作未知标识UNK。（2）主要缺点（cons）是最后会得到太多太长的序列，大多数英语句子只有10到20个的单词，但却可能包含很多字符。所以基于字符的语言模型在捕捉句子中的依赖关系（也就是句子较前部分如何影响较后部分）不如基于词汇的语言模型那样可以捕捉长范围的关系，并且基于字符的语言模型训练起来计算成本比较高昂。所以Andrew见到的自然语言处理的趋势就是，绝大多数都是使用基于词汇的语言模型。但随着计算机性能越来越高，在一些特殊情况下，会开始使用基于字符的模型。但是这需要更昂贵的计算力来训练，所以现在并没有得到广泛地使用。

总之，在现有的方法下，我们可以构建一个RNN结构，看一看英文文本的语料库，然后建立一个基于词汇的或者基于字符的语言模型，然后从训练的语言模型中进行采样。

如上图，有一些样本（examples），它们是从一个语言模型中采样得到的，准确来说是基于字符的语言模型。如果模型是用新闻文章训练的，它就会生成左边这样的文本；用莎士比亚的文章训练后生成了右边这篇东西。

这些就是基础的RNN结构和如何去建立一个语言模型并使用它，对于训练出的语言模型进行采样。在之后的学习中，Andrew想探讨在训练RNN时一些更加深入的挑战以及如何适应这些挑战，特别是梯度消失问题来建立更加强大的RNN模型。下节课，我们将谈到梯度消失并且会开始谈到GRU（门控循环单元）和LSTM（长期记忆网络模型）。

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。