注意力机制（一）

上一节，我们介绍了Seq2Seq模型，它的生成序列来自同一个语义编码器C：

因此，在句子比较短时，该模型性能还可以，对于稍长一些的句子，模型的性能就不尽人意了。为此，注意力机制模型应运而生。

传送门：序列处理之RNN模型

注意力机制概述

注意力机制，英文是Attention Mechanism，简称AM。它的提出是源于人类视觉的研究——当我们看一张图片时，并非会注意图片的全部内容，而是将注意力集中在图片的重要部分，通常是焦点的部分位置。也就是对这部分投入更多的注意力资源，以获取更多所需关注目标的细节信息，从而忽略其他无用信息。

深度学习的注意力机制，正是基于这样的逻辑构建的。在自然语言处理中，把注意力机制看作输出（Target）句子中某个单词和输入（Source）句子每个单词的相关性，这个是AM的本质。下面一张图展示了这种关系：

图中,Key就是输入的所有单词，Value是其对应的取值，把<Key,Value>称为数据对，Query是输出中的某个元素：

给定一个Query，计算其与各个Key的相似度，得到对应Value值（权重系数），然后对Value进行加权，得到最终的Attention数值：

所以本质上注意力机制是对Source中元素的Value值进行加权求和，而Query和Key是用来计算对应Value的权重系数。</