首先这里推荐一篇非常深入浅出的文章，对读懂了解谷歌神经机器翻译有很好的帮助，且对该论文的来龙去脉有一个了解，比如最直接的借鉴–Bengio团队双向编码器的seq2seq+注意力模型，这会在了解GNMT为什么encode层第一层要设计成双向LSTM有一个很好的了解，以及为什么要设置8层LSTM有个通俗的了解–“8个递进厉害的翻译员”，文章见：https://www.linkresearcher.com/theses/e9d88b0d-ed71-4f66-ba1d-fbf8375393d3
接着来详细讨论下GNMT
首先介绍下本文主要的改进点：
这就先要交代NMT的三个缺点：
- 1 参数多、训练慢
- 2 鲁棒性不好，对生僻词处理效果不好
- 3 覆盖率不好，长句子存在漏翻的情况
本文对应改进如下：
- 1 低精度+数据、模型并行
- 2 词切分，比如把 feud 切分成 __fe 和 ud（下划线代表一个词的开头）
- 3 在beam serach中加入长度归一化（length normalization）和覆盖率惩罚（coverage penalty）
- 此外在训练标准上，加入GLEU来提高BLEU值（关注到了单句翻译质量好坏的惩罚）
接着介绍本文模型的基本结构：
左边是encoder，右边是decoder，中间是attention。
Encoder：由8层LSTM组成，第一层是双向的，获取双向input的方向，剩下的七个是单方向的（之所以不在每一层都是用双向RNN是因为如果这样会大幅度降低训练速度）。这8层分别放在8个GPU上，在第一个双向并行处理完后，剩下七个并行，从第三层开始每层具有残差链接避免梯度爆炸或消失。
Decoder：也是8层LSTM、8个GPU，为了提高并行效率，只用decoder中最底层的output作为注意力机制ai的计算，其他层复用。
attention
设xi为encoder的输出向量：
yi-1是decoder底层第i个词的输出，则ai计算如下：
残差网路
普通LSTM：
使用残差网络的LSTM：
双向LSTM
粉色是从左向右，绿色是从右向左处理信息，双向LSTM则是两者产生的output x的连接起来输入到下一层LSTM。
并行
为了加速训练，谷歌使用了数据并行和模型并行两种方法。
数据并行：复制n份模型，模型参数共享，同时训练大小为batch_size的句子，将梯度汇总到统一的优化器Adam和SGD上进行参数更新，和A3C的异步更新一样，谷歌使用的n为10，batch_size为128。
模型并行：加速每一份模型的梯度计算，将每一层网络部署在一个GPU上。
Wordpiece Model
在上面的例子中，单词“Jet”被分成两个单词“_J”和“et”，单词“feud”被分成两个单词“fe”和“ud”。其他的单词仍然是单一的字片。“”是 标记单词开头的特殊字符。谷歌指出，使用8k-32k大小的字典能带来较好的BLEU成绩和编码效率。
训练目标
通常来说，在N对语句对中，训练的目标是使下式最大化：
首先该式子无法反应单句翻译的好坏；此外，仅使用最大似然训练，该模型将无法对解码过程中出现的错误具有很好的鲁棒性，因为这些错误在训练集中从未被观察到。
因此google提出了GLEU分数，
这里，r表示每个句子的得分，简单来说，就是在翻译出的句子中取n-gram，和目标句子计算n-gram的准确率和召回率，并取两者的最小值，GLEU分数的取值范围从0到1，0表示完全没匹配，1表示完全匹配。
最终google将上述两者的目标进行加权，作为最终的目标：
可量化 Quantizable Model and Quantized Inference
1.将LSTM中在时间方向上传递的cit和在深度方向上传递的xit明确规定到[-th, th]
因此原LSTM的公式调整如下：
在翻译的过程中，谷歌上面两个式子中所有浮点数运算替代为8位或16位定点整数运算。
在上图中，是WMT’14英译法最大似然训练过程中的 Log perplexity对比，红线代表采用量化，蓝线代表没有采用量化，可以看到采用一定的量化和正则可以提高模型质量（稳定性）。
decoder
如果没有句子长度归一化，那么模型普遍会更倾向给更短的句子打高分（概率相乘，小于一，越乘越小），最直观的做法是处以句子长度进行归一化，这里google经过实验给出了以下得分公式，同时涵盖了覆盖率惩罚，来使得翻译覆盖的足够完整。
pij代表第j个目标词yj对第i个source wordxi的注意力，alpha越大，对长度归一化的约束越大；beta越大，对覆盖率的约束越大。下面是在不同alpha、beta值下bleu分数的变化：
