Attention mechanism在深度学习中就像是万金油般的存在，涉及领域广泛，深受练丹师的喜爱。
推荐一篇综述 -> An Attentive Survey of Attention Models
我会大体介绍attention发展过程中几篇经典的paper，从机器翻译领域萌芽再到各个领域遍地开花.
Neural Machine Translation by Jointly Learning to Align and Translate 这是attention的经典之作，最初是针对机器翻译领域，在传统的encoder-decoder 结构中会将整个输入语句(source) 编码成一个固定长度的向量作为context 帮助decoder解码。无论输入语句多长，都被压缩为一个固定长度的向量，可能会丢失source中很多重要的信息，原文中用“squash”来形容这个过程，可想这种方式的暴力。
原文表述
而在这篇文章上，作者借鉴了人类“注意力”，使得在decoder中解码t时刻target的状态时，只对source中部分片段而不是全部，而注意哪些片段则是由模型、下游任务所决定。对于需要格外“注意”的赋予大权重，对于可有可无的赋予小权重（嵌入在模型中，是可微的）
从上图可以看出，在decoder 中t 时刻，yt的计算依靠与yt-1,st和ct, st，st是decoder中RNN在t时刻的隐状态。ct是根据当前时刻target 信息st与source 的hidden state 计算attention获得，意味着在decoder阶段并不是对encoder传过来的信息全盘皆收，而是根据需要有选择的侧重其中的某些部分，将目标端和源端联系了起来, 比如at,i表示目标端y t对源端xi的关注度，关注度越高说明xi对翻译yt越有用. 这里的attention计算方法被称为Additive attention (or multi-layer perceptron attention)
2. Effective Approaches to Attention-based Neural Machine Translation 这篇文章的提出了local attention是由于在机器翻译领域，对于输入语句比较长的情况，比如输入为段落、文档，可能会出现计算量比较大的问题，因为在decoder阶段每一个时刻的target都要同encoder输入数据中的所有hidden state计算attention， 进而计算ct。
这是一方面的原因。另一方面则是针对在hard attention 和 soft attention之间做一个调和，提出了local attention.
local
attention
文中提到了local attention的两种策略，一种是假设source 和 target是对齐的，那么pt = t. 一种是由的decoder中target的状态ht来决定。
上下文向量ct导出为窗口内源隐藏状态集合的加权平均值[pt-D，pt D]；D为经验选择。为了有利于pt附近的对准点，我们将高斯分布置于pt的中心。
除此之外，作者也探讨了global attention(我没看出和之前有什么区别)和score的几种计算方式，也就是at的计算：
3. Hierarchical Attention Networks for Document Classification 作者将attention 机制应用在word级别上来获得sentence representation 和sentence级别上获得document representation用于文档分类。
从上t图就可以非常直观地感受到hierarchial, attention机制不断从粒度上进行递进。
这里的attention是source2token，如果在word级别计算sentence representation, 注意力则是sentence中的每个token 对整个句子语义的重要度(注意力).
word-leve source2token attention
这里的uw是训练参数，可以理解为句子的整体表示，uw是一个向量。
sentence attention 同理
4. A STRUCTURED SELF-ATTENTIVE SENTENCE EMBEDDING
之前计算attention时得到的是一个向量，比如在source2token下计算句子中n个token对整个句子的重要性，那么每个token都会得到一个标量, n个token最终会形成n维的向量。在本文中，作者认为在计算每个token对整个句子(也可以是其他对象，比如target的si)的重要性时可以用一个向量来表示(这里向量的维度是r), 可以理解为在衡量token的重要时是在r个aspect上进行，当然这个r可以等于特征维度，来表示不同的特征的权重是不同。
至于操作过程，原始：
改进后：
Ws2只需要从一个da维的向量变成一个r*da维的矩阵即可。
attention weight 就从n维的向量a变成一个n*r的矩阵A了。
比较基本的到此为止我应该介绍差不多了，在之后的发展中，attention 机制在各个领域被应用，被改进，形成了各种各样，色彩缤纷的attention.
2017年对attention注意是一个不平凡的一年。
5. Recurrent Attention Network on Memory for Aspect Sentiment Analysis 简称RAM
这篇文章改进attention为：The results of multiple attentions are non-linearly combined with a recurrent neural network 。
这里应用aspect level 的情感分析，这里M为memory，其实就是 M = {m1,...,mt,...,mT} (考虑了句子中token与apect的位置关系--location weighted，不属于attention就不缀述了) 可以理解为长度为T的序列先输入到word embedding层之后又经过了下bi-lstm, 看上图的左侧。
作者将attention嵌入到了循环结构中，使得每个时刻得到的attention能够非线性组合起来。
从以上三个公式可以看出, 在计算attention时相对于之前的又多考虑了两个方面，一个是et-1，一个是v*(这里tao 不好表示，用*表示aspect在句子中的位置). et-1是t-1时刻的episode，v*为apect表示(其实就是h*)。e0等同于v*。
将it(AL)和et-1输入到GRU cell中获得et，得到et可以计算it 1(AL). 这里我理解it(AL)表示当前记忆中的信息，作为当前时刻的输入，而et-1在表示上一时刻得到的attention表示(蕴含了前t-1时刻的考虑memory影响的aspect), 经过n轮得到的aspect表示，用来做情感极性分类。 ps:水印源自我的知乎
