seq2seq聊天模型（三）—— attention 模型

注意力seq2seq模型

大部分的seq2seq模型，对所有的输入，一视同仁，同等处理。

但实际上，输出是由输入的各个重点部分产生的。

比如：

（举例使用，实际比重不是这样）

对于输出“晚上”，

各个输入所占比重: 今天-50%，晚上-50%，吃-100%，什么-0%

对于输出“吃”，

各个输入所占比重: 今天-0%，晚上-0%，吃-100%，什么-0%

特别是在seq2seq的看图说话应用情景中

睡觉还握着笔的baby

这里的重点就是baby，笔！通过这些重点，生成描述。

下面这个图，就是attention的关键原理

tensorlfow 代码

encoder 和常规的seq2seq中的encoder一样，只是在attention模型中，不再需要encoder累计的state状态，需要的是各个各个分词的outputs输出。

在训练的时候，将这个outputs与一个权重值一起拟合逼进目标值。

这个权重值，就是各个输入对目标值的贡献占比，也就是注意力机制！

dec_cell = self.cell(self.hidden_size)

attn_mech = tf.contrib.seq2seq.LuongAttention(
    num_units=self.attn_size,  # 注意机制权重的size
    memory=self.enc_outputs,  # 主体的记忆，就是decoder输出outputs
    memory_sequence_length=self.enc_sequence_length,
    #   normalize=False,
    name='LuongAttention')

dec_cell = tf.contrib.seq2seq.AttentionWrapper(
    cell=dec_cell,
    attention_mechanism=attn_mech,
    attention_layer_size=self.attn_size,
    #  attention_history=False, # (in ver 1.2)
    name='Attention_Wrapper')
initial_state = dec_cell.zero_state(dtype=tf.float32, batch_size=batch_size)

# output projection (replacing `OutputProjectionWrapper`)
output_layer = Dense(dec_vocab_size + 2, name='output_projection')

 # lstm的隐藏层size和attention 注意机制权重的size要相同