《动手学深度学习 Pytorch版》 9.8 束搜索

本节将介绍几大：

• 贪心搜索（greedy search）策略

• 穷举搜索（exhaustive search）

• 束搜索（beam search）

9.8.1 贪心搜索

贪心搜索已用于上一节的序列预测。对于输出序列的每一时间步 $t^{\prime }$，都从 $\mathbf{Y}$ 中找到具有最高条件概率的词元，即：

$$y_{t^{\prime }}=\underset{y\in \mathbf{Y}}{\mathrm{argmax}}P(y|y_1,\dots ,y_{t-1},\mathbf{c})$$

一旦输出序列包含了“”或者达到其最大长度 $T^{\prime }$，则输出完成。

问题：

• 最优序列应该是最大化值的输出序列，而贪心搜索无法保证得到最优序列。

• 每次选择都会影响后续的所有结果。

9.8.2 穷举搜索

穷举搜索（exhaustive search）穷举地列举所有可能的输出序列及其条件概率，然后计算输出条件概率最高的一个。其计算量 $O({\mathbf{Y}}^{T^{\prime }})$ 可能高的惊人。

9.8.3 束搜索

穷举搜索有精度优势，贪心搜索有计算成本优势，而束搜索则介于这两个极端之间。

束搜索（beam search）是贪心搜索的一个改进版本。它有一个超参数，名为束宽（beam size） $k$。在时间步 1，我们选择具有最高条件概率的 $k$ 个词元。这 $k$ 个词元将分别是 $k$ 个候选输出序列的第一个词元。在随后的每个时间步，基于上一时间步的 $k$ 个候选输出序列，继续从 $k$ 个可能的选择中挑出具有最高条件概率的 $k$ 个候选输出序列。

最后，选择其中条件概率乘积最高的序列作为输出序列。

练习

（1）我们可以把穷举搜索看作一种特殊的束搜索吗？为什么？

可以看作束宽拉满的束搜索。

---

（2）在 9.7 节的机器翻译问题中应用束搜索。束宽是如何影响预测的速度和结果的？

束搜索需要的计算更多，肯定是越宽越慢。

---

（3）在 8.5 节中，我们基于用户提供的前缀，通过使用语言模型来生成文本。这个例子中使用了哪种搜索策略？可以改进吗？

上束搜索。