Python 如何使用tensorflow注意层？

我正在试图了解如何使用这里显示的

tf.keras.layers.Attention

：

我试图使用它与编码器解码器seq2seq模型。下面是我的代码：

encoder_inputs = Input(shape=(max_len_text,)) 
enc_emb = Embedding(x_voc_size, latent_dim,trainable=True)(encoder_inputs) 
encoder_lstm=LSTM(latent_dim, return_state=True, return_sequences=True) 
encoder_outputs, state_h, state_c= encoder_lstm(enc_emb) 

decoder_inputs = Input(shape=(max_len_summary,)) 
dec_emb_layer = Embedding(y_voc_size, latent_dim,trainable=True) 
dec_emb = dec_emb_layer(decoder_inputs) 

decoder_lstm = LSTM(latent_dim, return_sequences=True, return_state=True) 
decoder_outputs,decoder_fwd_state, decoder_back_state = decoder_lstm(dec_emb,initial_state=[state_h, state_c]) 

---

我的问题是，如何在这个模型中使用keras中给定的注意层？我无法理解他们的文档。

如果您使用的是RNN，我不建议您使用上述类

在分析tf.keras.layers.Attention Github代码以更好地理解您的难题时，我能遇到的第一句话是：“这个类适用于密集网络或CNN网络，而不适用于RNN网络”

我建议您编写自己的seq-to-seq模型，只需不到十几行代码即可完成。例如：

---

要编写自己的自定义注意层（基于您是否喜欢Bahdanau、Luong、Raffel、Yang等），这篇概述基本要素的文章可能会有所帮助：

啊，这很有意义。我无法让这一层与LSTM网络一起工作。我认为，在这种情况下，您需要使用自定义的注意层编写自定义的训练循环。基本上，正如教程所说，您需要使用编码器序列一次迭代一个解码器，特别是如果您想要教师强制，通常您会这样做。看起来你不可能在这个问题上作弊，只需要输入完整的解码序列，但我认为这是有意义的，因为每个预测之后都需要传递状态，包括之前的上下文向量。