????????我们以机器翻译为例。“机器学习”->“machine learning”
????????传统的做法是这样的：
????????我们先用RNN对“机器学习”进行编码（encoder），即把最后一个隐藏层的输出拿出来，作为输入丢进RNN生成器里面进行解码（decoder）。为了防止初始编码的影响力减弱，可以对每一个时间步都将初始编码作为一个输入。编码器和解码器是放在一起训练的。他们的参数可以是一样的，也可以是不一样的。
????????在做聊天机器人的时候，我们通常要考虑之前说过的句子。这时我们可以使用两个encoder。第一个encoder编码之前说过的所有句子，第二个encoder编码当前对方说的句子，将两个编码合成一个编码，输入到解码器里面。
?Attention-based model
????????注意力机制可以使解码器重点关注一些重要的信息。
????????当我们翻译第一个单词“machine”的时候，我们希望解码器关注“机器”两个字。我们引入一个值z（z的取值是上一个时间步隐藏层的输出，初始的z0要自定义一个值）。使用这个值z对编码器中每个时间步隐藏层的输出h(i)进行匹配，匹配的规则需要自己定义。可以是h和z的余弦相似度，也可以是一个小型的神经网络，输入h和z，输出一个匹配度的值。
????????这样会输出4个值，每一个
乘上对应的h（这里的
可以理解为h的权重，即影响力），再求和，就得到了解码器第一个时间步的输入c0。
?
?????????可以不加softmax层。
?
?
?
?
?
?
?