这篇论文提出了Attention机制对于Encoder-Decoder进行改进。在Encoder-Decoder结构中,Encoder将输入序列编码为 hn h n 。这样做的一个潜在问题是,如果原始序列中包含的许多信息,而 hn h n 的长度又是一定的,那么 hn h n 就存不下我们所需的所有信息。
利用Attention机制,Decoder可以在输入序列中选取需要的特征,提高了Encoder-Decoder模型的性能。
首先,让我们先来回顾下LSTM的机制。LSTM的结构图如下图所示:
* 红色表示输入
* 蓝色表示输出
* 绿色表示记忆单元
* 虚线表示前一时刻的变量
每个组件的具体表达式如下:
意义 | 表达式 |
---|---|
数据输入 | z=g([xt,yt−1]) z = g ( [ x t , y t − 1 ] ) |
输入门 | i=σ[xt,yt−1,ct−1] i = σ [ x t , y t − 1 , c t − 1 ] |
遗忘门 | g=σ[xt,yt−1,ct−1] g = σ [ x t , y t − 1 , c t − 1 ] |
输出门 |