【自然语言处理四】注意力机制

1.注意力机制

2014年，Ilya Sutskever等学者提出了著名的Sequence to Sequence（Seq2Seq）模型，但其中存在两个问题：

1）encoder 最后一个 hidden state，与句子末端词汇的关联较大，难以保留句子起始部分的信息。因此当句子过长时，模型性能下降很快。

2）句子中每个词都赋予相同的权重的做法是不合理的，这样没有足够的区分度。

同样的，在计算机视觉领域中，CNN模型也存在着这样的问题，特别是当图像尺寸很大时，这个问题更加明显。

针对以上缺陷，Dzmitry Bahdanau, Yoshua Bengio等人发表《Neural machine translation by jointly learning to align and translate》，提出了Attention Mechanism，希望实现软区分，并给出了一些 attention 的可视化效果图。同年，Kelvin Xu等人发表论文《Show, Attend and Tell: Neural Image Caption Generation with Visual Attention》，将注意力机制引入了计算机视觉领域。他们同时提出了两种注意力机制，即Soft Attention和Hard Attention。

2.代码实现

tensorflow

import tensorflow as tf
x=tf.constant([[1,0,0],[0,2,2]],dtype=tf.float32)
w_query=tf.constant([[1,0],[1,0]