1 基本介绍

• Teacher forcing是一种在训练循环神经网络（RNN）时使用的技术，尤其是在序列生成任务中，如机器翻译、文本生成或语音合成。
• 这种方法的目的是更有效地训练网络预测下一个输出，给定一系列先前的观察结果。

1.1 标准RNN训练过程的问题

• 当训练一个用于序列生成的RNN时，通常会让网络预测序列中的下一个元素。（这种模式又被称为free-running mode / autoregressive mode）
  • 在标准的训练过程中，网络的预测会被送回作为下一个时间步骤的输入。
  • 但是，在初始阶段，由于网络的参数还没有很好的调整，这些预测可能会相当不准确。
  • 这种不准确性可以在网络中累积，并可能导致训练过程变得低效。
    • （某一个单词预测错了，后面会跟着错，导致模型很难收敛）

1.2 Teacher Forcing的工作原理

• 为了克服这个问题，teacher forcing在训练期间不使用模型自己的预测作为下一步的输入，而是使用真实的输出序列的当前元素。
• 换句话说，在训练时刻t，模型预测时间t的输出后，不是将这个预测值用作时间t+1的输入，模型而是使用真实的数据，即目标序列在时间t+1的真实值。
• 这样，即使前一个预测不准确，网络也可以在准确的数据指导下继续学习。

2 优点

• 快速收敛： 由于网络接收到准确的信息，它通常可以更快地学习正确的参数。
• 稳定训练： 防止错误的累积和传播，使得整个训练过程更加稳定
• 并行保证：保证 Transformer 模型能够在训练过程中完全并行计算所有token

3 缺点

• 露珠效应（Exposure Bias）： 在真实应用（推理阶段）中，网络只能依赖于它自己的预测来生成序列，这可能导致在训练时没有遇到的错误。
• 不一致的学习信号： 训练和推理时的行为不一致，可能会导致推理时性能下降。

4 teacher forcing ratio

 Scheduled Sampling for Sequence Prediction with Recurrent Neural Networks 2015

• 模型在训练过程中的每一个steps，有 p的概率选择使用 teachering-forcing，有 1−p 的概率选择使用 Autoregressive。
• 模型在训练前期，p应该尽可能的大，这样能够加速收敛；而在快要结束训练的时候， p 尽可能的小，让模型在 Autoregressive 的方案中尽可能的修复自身生成的错误。

  • p可以随着训练的Epoch 进行衰减：Exponential Decay, Inverse Sigmoid decay 和 Linear decay 

• 上面的这个概率 p ，是针对一个token而言的，而不是针对整句话。
  • 也就是说在解码过程中，每个token的生成，都要进行着这么一次概率的选择。
  • 论文中指出，如果是整句话进行概率选择的话，效果会比较差

• Always Sampling：相当于在训练过程只使用Autoregressive 方案（每次使用上一步的预测单词），可以发现模型效果非常差，收敛有问题。
• Uniform Scheduled Sampling：每次都有0.5的概率选择 Teacher-Forcing，0.5的概率选择Autoregressive，效果也比 Scheduled-Sampling 要差