1.前言

        Attention!见名知意,它是对于人类注意力机制的一种模仿。当我们看到一张图像，一篇文字的时候，我们会本能的去注意那些更重要的部分，我们给这些东西叫做引人注目。计算机工程师们总是竭尽全力的让计算机接近人类，那么如何把注意力机制加在计算机上，让它们学会去抓重点呢？跟我来！

2.Encoder-Decoder

         因为现在很多的注意力机制模型都是附着在Encoder-Decoder模式基础上的，所以我们首先来聊一下它。举个例子，我听到一个美女说:"我觉得你跟我未来的老公长得很像。"，我的大脑会对这条信息进行处理形成自己的理解，这就是encoder。然后我要对这句话进行反应，就是解码的过程。解码的时候，我得基于自己对她说的这句话的理解，和自己前面说过的话来组织语言。基于对她的理解，这是为了使我的回答是和她的话相关的；基于自己前面说的话，那是为了让我的语言通顺，使自己说出来的是一句人话。最后我回了人一句：“对不起，我是你永远都得不到的爸爸！”

        基于上面的阐述，我们总结一下其中训练的原理。我们要让模型建立这样一种关系 ，(即输入句子和历史输出)，与当前时刻输出之间的关系。最终训练出来的模型，知道它自己每一个时刻要说什么，我们让他说的快一点那就是一句连续的话了。

        这个模型的可以满足这样一种应用，给定一段信息，输出另一段信息。那么就可应用于聊天机器人、机器翻译、语音识别、文章概要生成等许多的方面。其实人工智能是唯一能够完全颠覆这个世界的一项可行性技术，已经沉睡了太久，我们正在尝试着一点点的唤醒这个庞然大物。

3.Attention注意力机制

       根据前言中的说明,Attention注意力就是在计算机执行过程中加入注意力这一因素。具体的操作就是给上下文信息中加入对应的权重。如下图所示，整个的过程就是一个编码解码的过程，左边为输入编码，右边为输出解码。唯一不同的是我们在输出解码的时候加入了计算权重的步骤。

       这个权重的计算过程如下：将输入hi时刻隐层的值和输出ht前一时刻隐层的值相乘，经过softmax函数，就得到了输入hi在计算ht时刻输出时所占的权重。将这个上下文向量和解码层的输入相乘，结果通过输出层就得到了ht时刻的输出。把所有的时刻连起来就是之后的输出文本了。

      关于上图相似性的计算，常见的两种机制

               1.BahdanauAttention：使用两个W分别乘以decoder的ht-1层状态和encoder隐层输出，两者相加经过tanh函数，然后在和V(V可以理解为values，即decoder隐层所有的输出)相乘得到分数score，使用softmax(score)得到权重weights,然后在和context相乘得到context vector

               2.LuongAttention：处理流程和B Attention一致，只是在计算分值score的时候，使用decoder ht时刻的状态乘以W，再和encoder隐层输出相乘。

4.总结

            今天我们介绍了自然语言处理中的编码解码模式和注意力机制。编码解码模式，就是左边网络对信息进行编码，右边网络对编码后的信息进行解码。解码并不是对原来编码过程的还原，而是通向另外一种形式的输出。这样我们就可以建立一段信息和另外一段信息之间的连接关系，可以用来做问答系统，语音识别等。注意力机制是在编码解码模式上，对于上下文信息加入了权重向量，表示上下文中不同词汇对于当前时刻预测的贡献值。这样我们的模型就学会了抓重点。其中使用余弦相似度或者通过网络学习来计算我们的权重。

 5.废话

           这里的一切都太重了，我觉得我都有点背不动了。各种烦心的事，各种无形的压力。没有人在我的身边，无奈之下，我只能和宇宙对话。我问天空中的层层乌云，你们到底在隐藏着些什么。世界真的有我们想象的那么复杂吗？还是说企图用有限的思想去表达无限的宇宙这本来就是不对的。无数代人类最伟大的精英们，给社会编制了一套大型的猜谜游戏，把所有的人都给玩了。我想要从这一切中抽身出来，用不一样的眼光来看待这个世界。不是为了使自己与众不同，而是因为我知道他们看世界的方式是错误的。他们研究的动机，是为了利用这个世界，是出于狂妄的自私。但是我想从拥抱这个世界开始，因为我感觉到了那份对于生命来说最重要的爱，那似乎是宇宙最原始的动力。而那些都不是我能主动去索取的，而是来自于张开双臂之后，世界的给与。