Seq2Seq 模型实战：ScheduledEmbeddingTrainingHelper 原理与使用
在构建 Seq2Seq 模型时，我们常面临训练与推理不一致的问题。TensorFlow 提供的 ScheduledEmbeddingTrainingHelper 正是为了解决这一痛点而设计的。它引入了一个可调节的抽样概率机制，让解码器在训练阶段能够根据进度动态切换行为模式。
具体来说，这个概率参数控制着模型是'看答案'还是'自己猜'。当抽样概率为 0 时，ScheduledEmbeddingTrainingHelper 的行为完全等同于 TrainingHelper（即 Teacher Forcing，强制使用真实标签）；而当概率提升到 1 时，它则退化为 GreedyEmbeddingHelper（即完全依赖模型自身的预测）。在 0 到 1 之间，它会按概率混合这两种策略。
这种渐进式的训练方式通常比固定策略效果更好，因为它帮助模型平稳地从依赖真实数据过渡到独立生成，减少了暴露偏差（Exposure Bias）。
# 0.0 ≤ sampling_probability ≤ 1.0
# 0.0: 无采样 => 相当于 TrainingHelper (Teacher Forcing)
# 1.0: 全采样 => 相当于 GreedyEmbeddingHelper
# 中间值：按比例混合真实标签与模型预测
实际应用中，建议配合学习率衰减策略，让采样概率随 Epoch 逐步上升，这样既能保证初期的稳定性，又能提升后期的泛化能力。
