Pytorch-NLP 部分

感谢伯禹平台举办的活动，本文记录学习Sequence to Sequence模型，包含如下：

1.Encoder-Decoder结构

传统的RNN模型一般是给定输入，然后会有一个对应的输出，对于自然语言处理中的生成任务来说，输出不限定长度的序列有点难以处理，这时候encoder-decoder结构就可以很好的解决这个问题。如下图所示：

encoder部分和decoder部分都是RNN网络，其中Encoder部分将输入的序列编码成一个向量，即隐藏层的输出hidden_state,再将这个hidden_state输入decoder中逐步生成序列，直到输出停止符号, 这种结构可以有效的解决不定长的输出问题，但是在生成序列的时候每一步都是用的encoder结构输出的hidden_state作为背景变量C来输入，但是翻译的过程中，一个目标词可能只对应输入序列的个别词，这时候，带有注意力机制的Encoder-Decoder结构就可以有效的解决这个问题

2.Encoder-Decoder with attention结构

attention机制就是在Decoder中生成每一个新的状态时，每一步都会采