对attention一直停留在浅层的理解，看了几篇介绍思想及原理的文章，也没实践过，今天立个Flag，一天深入原理和源码！如果你也是处于attention model level one的状态，那不妨好好看一下啦。
内容：
- 核心思想
- 原理解析（图解+公式）
- 模型分类
- 优缺点
- TF源码解析
P.S. 拒绝长篇大论，适合有基础的同学快速深入attention，不明白的地方请留言咨询~
1. 核心思想
Attention的思想理解起来比较容易，就是在decoding阶段对input中的信息赋予不同权重。在nlp中就是针对sequence的每个time step input，在cv中就是针对每个pixel。
2. 原理解析
针对Seq2seq翻译来说，rnn-based model差不多是图1的样子：
图1 传统rnn-based model
而比较基础的加入attention与rnn结合的model是下面的样子（也叫soft attention）：
其中 是
对应的权重，算出所有权重后会进行softmax和加权，得到
。
可以看到Encoding和decoding阶段仍然是rnn，但是decoding阶使用attention的输出结果 作为rnn的输入。
那么重点来了， 权重 是怎么来的呢？常见有三种方法：
思想就是根据当前解码“状态”判断输入序列的权重分布。
如果把attention剥离出来去看的话，其实是以下的机制：
输入是query(Q), key(K), value(V)，输出是attention value。如果与之前的模型对应起来的话，query就是 ，key就是
，value也是
。模型通过Q和K的匹配计算出权重，再结合V得到输出：
再深入理解下去，这种机制其实做的是寻址（addressing），也就是模仿中央处理器与存储交互的方式将存储的内容读出来，可以看一下李宏毅老师的课程。
3. 模型分类
3.1 Soft/Hard Attention
soft attention：传统attention，可被嵌入到模型中去进行训练并传播梯度
hard attention：不计算所有输出，依据概率对encoder的输出采样，在反向传播时需采用蒙特卡洛进行梯度估计
3.2 Global/Local Attention
global attention：传统attention，对所有encoder输出进行计算
local attention：介于soft和hard之间，会预测一个位置并选取一个窗口进行计算
3.3 Self Attention
传统attention是计算Q和K之间的依赖关系，而self attention则分别计算Q和K自身的依赖关系。具体的详解会在下篇文章给出~
4. 优缺点
优点：
- 在输出序列与输入序列“顺序”不同的情况下表现较好，如翻译、阅读理解
- 相比RNN可以编码更长的序列信息
缺点：
- 对序列顺序不敏感
- 通常和RNN结合使用，不能并行化
5. TF源码解析
发现已经有人解析得很明白了，即使TF代码有更新，原理应该还是差不多的，直接放上来吧：
顾秀森：Tensorflow源码解读（一）：AttentionSeq2Seq模型 zhuanlan.zhihu.com
【参考资料】：
