背景
ある日，私は機械翻訳に興味を持った．
（英語に苦しむ日本の研究者の声を聞いたからかもしれないし，勉強会の準備に追われていたからかもしれない．）
しかし私は門外漢なので，encoder-decoderモデルの "あの" 図を読むことができなかった．
先日気持ちを掴むことができたので，自分なりに噛み砕いたものを記録・共有するためにこの記事を書いた．
先人の詳細な記事
http://qiita.com/odashi_t/items/a1be7c4964fbea6a116e
RNNの図を翻訳
翻訳までの流れを別視点から描いた．
encoder-decoderモデルによって「彼 は 走る」を「He runs」と翻訳するまでの流れは，以下のようになっている．
encode側の図において，日本語の登場順序がodashi_tさんの図とは逆になっている．
逆順に入力すると実験的に良い結果が得られているらしいので，実験を行う際はodashi_tさんの例に従うと良さそうだ．
理解できたような気がしたところで，Chainerを用いて実装した．
- TensorFlowのサンプルプログラムには，機械翻訳が含まれているらしい.
- ChainerにもシンプルなSeq2Seqのサンプルがあると良い？
実装
https://github.com/g329/seq2seq/blob/master/seq2seq.py
なるべくencoder-decoderの気持ちが伝わるように書いたつもりだ．
先人の記事を読みながらソースコードを眺めて欲しい．
python seq2seq.py
と実行し，しばらくすると以下のような出力が得られるはずである．
teacher : 黄昏に天使の声響く時，聖なる泉の前にて待つ
-> 5時に 噴水の前で 待ってます
熊本弁から日本語への翻訳の他，英語から日本語など様々応用が効く．
学習の様子を観察していると，あっという間に時間が過ぎてしまうので注意して欲しい．
データが沢山あれば "A Neural Conversational Model"に載っているようなこともできるらしい．夢が広がる．
その他
Seq2Seqは，少しアレンジするだけで様々な面白い動きを見せてくれる．
そのあたりに関しては，LTの準備が終わったあたりにまた書くつもりだ．