1、Show, Attend and Tell: Neural Image Caption Generation with Visual Attention.Kelvin Xu, Jimmy Ba, Ryan Kiros, Kyunghyun Cho, Aaron Courville, Ruslan Salakhudinov, Rich Zemel, Yoshua Bengio ; Proceedings of the 32nd International Conference on Machine Learning, PMLR 37:2048-2057, 2015.
這篇文章中提出了hard attention與soft attention兩種注意力機制，二者的通用計算框架相同，區別在於注意力計算方式的不同：
1）通用計算框架
步驟一：
yt-1表示熱編碼的詞向量，ht表示隱藏層，Zt表示(頭部有箭頭)上下文向量
軟、硬注意力的主要區別在於φ函數的計算方式的不同,ai表示抽取出的圖像特征向量。
說完“硬”的 attention，再來說說“軟”的 attention。 相對來說 soft attention 很好理解，在 hard attention 里面，每個時刻 t 模型的序列 [ St1,…,StL ] 只有一個取 1，其余全部為 0，
也就是說每次只 focus 一個位置，而 soft attention 每次會照顧到全部的位置，只是不同位置的權重不同罷了。這時 Zt 即為 ai 的加權求和：
參考：https://blog.csdn.net/u011414416/article/details/51057789