训练迭代过程早期的RNN预测能力非常弱，几乎不能给出好的生成结果。如果某一个unit产生了垃圾结果，必然会影响后面一片unit的学习。 teacher forcing最初的motivation就是解决这个问题的。

其实RNN存在着两种训练模式(mode):

free-running mode就是大家常见的那种训练网络的方式: 上一个state的输出作为下一个state的输入。而Teacher Forcing是一种快速有效地训练循环神经网络模型的方法，该模型使用来自先验时间步长的输出作为输入。

所谓Teacher Forcing，就是在学习时跟着老师(ground truth)走!

它是一种网络训练方法，对于开发用于机器翻译，文本摘要，图像字幕的深度学习语言模型以及许多其他应用程序至关重要。它每次不使用上一个state的输出作为下一个state的输入，而是直接使用训练数据的标准答案(ground truth)的对应上一项作为下一个state的输入。 看一下大佬们对它的评价:

Models that have recurrent connections from their outputs leading back into the model may be trained with teacher forcing. — Page 372, Deep Learning, 2016. 译: 存在把输出返回到模型输入中的这种循环连接单元的模型可以通过Teacher Forcing机制进行训练。

这种技术最初被作为反向传播的替代技术进行宣传与开发

An interesting technique that is frequently used in dynamical supervised learning tasks is to replace the actual output y(t) of a unit by the teacher signal d(t) in subsequent computation of the behavior of the network, whenever such a value exists. We call this technique teacher forcing. — A Learning Algorithm for Continually Running Fully Recurrent Neural Networks, 1989. 译: 在动态监督学习任务中经常使用的一种有趣的技术是，在计算过程中用教师信号 d ( t ) d(t) d(t) 替换上一个单元的实际输出 y ( t ) y(t) y(t) 。我们称这种技术为Teacher Forcing。

Teacher Forcing工作原理: 在训练过程的 t t t 时刻，使用训练数据集的期望输出或实际输出: y ( t ) y(t) y(t)， 作为下一时间步骤的输入: x ( t + 1 ) x(t+1) x(t+1)，而不是使用模型生成的输出 h ( t ) h(t) h(t)。

Teacher forcing is a procedure […] in which during training the model receives the ground truth output y(t) as input at time t + 1. — Page 372, Deep Learning, 2016. 译: teacher forcing 是这样的一个程序: 在训练过程中接收ground truth的输出 y ( t ) y(t) y(t) 作为 t + 1 t+1 t+1时刻的输入

给定如下输入序列:

我们想要训练这样一个模型，在给定序列中前一个单词的情况下生成序列中的下一个单词。 那首先，我们得给这个序列的首尾加上起止token:

接下来，我们把 “[START]” 输入模型，让模型生成下一个单词。

想象下，现在模型生成了一个 “a”， 不过我们当然期望它先生成一个 “Mary”。

接下来，如果把"a"输入模型，来生成序列中的下一个单词，那现在的情况就是:

可以看到，模型现在已经偏离正轨 ，因为生成的错误结果，会导致后续的学习都受到不好的影响，导致学习速度变慢，模型也变得不稳定。

假如现在模型生成了一个“a”，我们可以在计算了error之后，丢弃这个输出，把"Marry"作为后续的输入。如果要继续预测下一个单词的话，那么现在的情形就变成了:

以此类推，所有训练步骤情形为:

该模型将更正模型训练过程中的统计属性，更快地学会生成正确的序列。

Teacher Forcing同样存在缺点: 一直靠老师带的孩子是走不远的。 因为依赖标签数据，在训练过程中，模型会有较好的效果，但是在测试的时候因为不能得到ground truth的支持，所以如果目前生成的序列在训练过程中有很大不同，模型就会变得脆弱。 也就是说，这种模型的cross-domain能力会更差，也就是如果测试数据集与训练数据集来自不同的领域，模型的performance就会变差。 那有没有解决这个限制的办法呢?

在预测单词这种离散值的输出时，一种常用方法是对词表中每一个单词的预测概率执行搜索，生成多个候选的输出序列。 这个方法常用于机器翻译(MT)等问题，以优化翻译的输出序列。 beam search是完成此任务应用最广的方法，通过这种启发式搜索(heuristic search)，可减小模型学习阶段performance与测试阶段performance的差异。

注: 本来我想翻译为课程学习，后来感觉太不对原本的意思，所以改为"有计划地学习" 如果模型预测的是实值(real-valued)而不是离散值(discrete value)，那么beam search就力不从心了。 因为beam search方法仅适用于具有离散输出值的预测问题，不能用于预测实值（real-valued）输出的问题。

Curriculum Learning是Teacher Forcing的一个变种：

We propose to change the training process in order to gradually force the model to deal with its own mistakes, as it would have to during inference. — Scheduled Sampling for Sequence Prediction with Recurrent Neural Networks, 2015. 译: 我们建议改变训练过程，以便逐步迫使模型处理它自己的错误，就像它在推断过程中必须做的那样。

有计划地学习的意思就是: 使用一个概率 p p p去选择使用ground truth的输出 y ( t ) y(t) y(t)还是前一个时间步骤模型生成的输出 h ( t ) h(t) h(t)作为当前时间步骤的输入 x ( + 1 ) x(+1) x(+1)。 这个概率 p p p会随着时间的推移而改变，这就是所谓的计划抽样(scheduled sampling) 训练过程会从force learning开始，慢慢地降低在训练阶段输入ground truth的频率。 本文一部分译自: https://machinelearningmastery.com/teacher-forcing-for-recurrent-neural-networks/