## 实验要求

1. 对 Seq2Seq 网络进行训练，结合Seq2Seq框架及内部使用单元思考，Seq2Seq框架在编码-解码过程中是否存在信息丢失，具体表现在哪些方面（15%）
2. 提出三句日常使用句子，使模型进行翻译并且出现翻译错误，对其进行分析（25%）
3. 使用 [BLEU](https://en.wikipedia.org/wiki/BLEU) 作为评价方法，对验证集的翻译结果进行评价，另外修改基于 GRU 的 Seq2Seq 模型为基于双向 GRU 的 Seq2Seq，对比实验结果及具体测试样例并给出分析（30%）
4. 对 Seq2Seq 的模型梯度进行限制，并给出不同梯度裁剪方式和梯度裁剪超参数的对比实验，分析不同梯度裁剪方式对模型训练的影响（不同梯度裁剪方式如梯度范数的约束，分析梯度超参数的影响包括裁剪的阈值是多少，为什么选择这个阈值，可以选择从别人的博客，实验中的梯度分析或者多个消融实验去了解）（30%）

**注：以上实验要求中的分析部分需要在报告中详细说明，包括实验结果、分析和结论，包括但不限于训练验证损失曲线，翻译效果，bad case 分析等，如果认为是重要的内容，可以适当加粗和标红** 

## 得分细节
1. 提交的报告文件 pdf 格式，包含实验结果、分析和结论（80%）
2. 提交的代码文件，包含模型训练代码和模型预测代码（20%）