Image captioning(三)-WITH ATTENTION

摘要

背景我们已经介绍了，现在我们上篇文章的基础上面引入比较流行的Attention机制
说下本篇文章的贡献：

1. image captioning中使用同一种框架引入两种atttention机制。
2. 可以洞察模型观察的点在哪里where, 以及观察的是什么what
3. 代码我只会演示第二种attention 机制

模型

1. image encoder
   第一层还是卷积层来处理图像信息，但是这里不同的是，我们不像上一篇提到的那样直接复用已有的模型，这里直接处理原始的图片。
   为什么要处理原始图片？因为如果要做attention，那么势必要在decoder阶段需要知道聚焦在图片的哪个位置，这样我们就不能直接用encoder出来的很高级的单向量了
   需要抽取出来一些原始的特征，每个特征能够表征图像的某一部分，这样在做decoder的时候，attention机制可以知道可以聚焦在哪一块，这样就提高了decoder描述的准确性
   假设我们处理图片后生成L=196个D=512维的向量：
   

   $$a=(a_1,...,a_L), a_i \in R^D \\\ $$

2. decoder
   主要框架我们还是用LSTM，为了引入attention，我们稍微做下变形，就是在原有的state基础上面再增加一个图片的content的信息
   假设需要decoder的序列为：

   经典的LSTM结构：
   $\begin{align} i_t &=\sigma (w_i.[Ey_{t-1}, h_{t-1}] +b_i) \\\ f_t &=\sigma (w_f.[Ey_{t-1}, h_{t-1}] +b_f)\\\ o_t &=\sigma (w_o.[Ey_{t-1}, h_{t-1}] +b_o)\\\ g_t &=tanh (w_c.[Ey_{t-1}, h_{t-1}] +b_c)\\\ C_t &=f_t*C_{t-1}+ i_t * g_t\\\ h_t &=o_t*tanh(C_t) \end{align}$

   _, (c, h) = lstm_cell(inputs=x, axis=1), state=[c, h])

   调整后：
   it ft ot gt Ct ht =σ(wi.[Eyt−1,ht−1,ẑ t]+bi)=σ(wf.[Eyt−1,ht−1,ẑ t]+bf)=σ(wo.[Eyt−1,ht−1,ẑ t]+bo)=tanh(wc.