机器翻译及相关技术；注意力机制与Seq2seq模型；Transformer
seq2seq的用途有很多，比如机器翻译，写诗，作曲，看图写文字等等用途很广泛！该模型最早在2014年被Cho和Sutskever先后提出，前者将该模型命名为“Encoder-Decoder Model”也就是编码-解码模型，后者将其命名为“Sequence to Sequence Model”也就是序列到序列模型，两者有一些细节上的差异，但总体大致思想基本相同。
seq2seq根据字面意思来看就是序列到序列，再具体点就是输入一个序列(可以是一句话，一个图片等)输出另一个序列。这里以RNN为基础的机器翻译为例，介绍seq2seq和attention注意力机制。（seq2seq实现的方法有很多，比如MLP，CNN，RNN等）
这是机器翻译的部分数据 （法语->英语）：
我们先了解下机器翻译的大致流程：
大致意思就是根据输入的文本，神经网络开始学习和记忆，这个就是所谓的Encoder编码过程；然后根据自己的记忆，把文本一一翻译出来，这个就是所谓的Decoder解码过程。
现在再让我们更进一步了解seq2seq的具体流程：
我来一一讲解这张图的每一个细节：
这个是某个时刻t的RNN隐层单元，R，O代表里面的两个gate，下表E/D代表这个是Encoder/Decoder过程。
这个在Encoder是某个时刻输入词，在Decoder是上一个预测的词。
这个是Encoder的最后一个单元，里面的隐层存着记忆单元呢，Decoder需要根据Encoder的这个记忆单元隐层把帮助自己一个一个的预测词。
所以需要传到个个Decoder中。
下面这个是Decoder的核心过程，拿一次预测举例子：
是上一个预测词，这里是fox。
是上次预测完的记忆单元，
是Encoder的隐藏单元。
的计算方式为，g为一种方法（神经网络中一般为每个参数*W，最后求和输出。
下面公式都类似）：
是本次，这里是s4，
的计算方式为：
这是简单的理论部分，看看这个实践图吧：
Encoder
Decoder
虽然这个model是GRU，但不光是GRU，LSTM等都可以。
seq2seq就这样讲完了。下面该到注意力机制登上历史舞台！
Attention Mechanism 注意力机制
从字面意思我们能联想到自己的注意力吧。对，就是这样的。每当我们专注学习时，我们的目光会聚焦在正在学的东西上，但是我们眼前不能专注的也不是啥也看不见，仅仅是模糊而已。转移到数学分析下，就是我们专注的占得我们经历的大部分，比如给个数值0.8（满分为1），其他的模糊情景为0.01,0.03,0.07。。。总和为0.2。
这个注意力机制就是这样的！在机器翻译中，我们需要一个词一个词的翻译，当我们翻译某个词的时候，我们主要是需要这个词，而其他的词信息用的就是很少了，所以就是说网络把精力大部分放到了将要翻译的这个词了，但是其他也得照顾到，因为翻译一个词需要上下文的意思，比如单复数的写法就需要上下文吧。
你看，这个是不是和人的注意力差不多啊。这个也可以从我们生活经常做的例子来说就是你看着手机走路，你的注意力在手机上，但是你也能走路，而且还能避开各种人群(当然，撞树啥的只能怪你给手机分配的注意力太大了QAQ)。
看一下基本的流程图：
这些黄色的深浅代表当翻译每个词的注意力的分配。
具体网络分布图为：
再具体下，以这个例子为例：
Encoder用的是是双向RNN，当RNN单元循环回来的时候都会有一个输出给了你将要翻译的词对应的attend，而此时肯定是它的最下方的词应该是注意力最集中的，所以它对应的权重肯定是最大的。
这里的权重分配公式为：
从最上面下来的是，
是第j个Encoder隐层出来的记忆单元。
所有的分打出来后，要做下归一化：
这个跟Softmax差不多。
然后对他们进行求和传送给：
这个注意力机制大大提高了机器翻译的能力当然也包括其他的领域。
