视觉问答学习（二）——堆叠注意力网络SAAA（tensorflow实现）(未完待续)

一、背景

本文实现的模型来自于论文：《Show, Ask,Attend, and Answer: A Strong Baseline For Visual Question Answering》

该模型比较经典，也是本系列的第二篇视觉问答模型，主要参考代码【1】，但是由于原模型中，数据集封装的比较好，复现到其他数据集上的话会比较困难，因此我把数据集部分的读取和加载做了改动。

【1】https://github.com/momih/vqa_tensorflow

二、论文简介

这篇论文之前介绍过，这里不多做介绍，直接给出之前的记录：【文献阅读】SAAA——堆叠多层注意力的VQA网络（T. Do等人，ArXiv，2017，有代码）。方便起见，这里贴出该模型的结构图：

三、实验介绍

所有文件结构为：

-- d