tensorflow中tf.nn.dynamic和tf.nn.raw的区别是什么？

我通过了。在最后一块中，它说动态函数不能用于计算注意力。但我不明白的是，我们所需要的只是解码器的隐藏状态，以便发现需要注意的地方，这将通过编码器符号解决

编码器-解码器上下文中的注意机制意味着解码器在每个时间步“注意”编码器的“有用”部分。这实现为，例如，平均编码器的输出，并在给定的时间步长将该值（称为上下文）馈送到解码器

dynamic\u rnn

计算所有时间步长上LSTM单元的输出，并给出最终值。因此，无法告诉模型时间步长

t

的单元格状态不仅取决于前一单元格的输出和输入，还取决于其他信息，如上下文。您可以使用

raw\rnn

在编码器或解码器LSTM的每个时间步控制计算

如果我理解正确的话，在本教程中，作者在每个时间步将地面真实值输入作为输入提供给解码器。然而，这不是通常的做法。通常，您希望在时间

t

将解码器的输出作为时间

t+1

的输入馈送到解码器。简言之，解码器在每个时间步的输入是可变的，而在

dynamic\n

中是预定义的

---

有关更多技术细节，请参阅：

编码器-解码器上下文中的注意机制意味着解码器在每个时间步“注意”编码器的“有用”部分。这实现为，例如，平均编码器的输出，并在给定的时间步长将该值（称为上下文）馈送到解码器

dynamic\u rnn

计算所有时间步长上LSTM单元的输出，并给出最终值。因此，无法告诉模型时间步长

t

的单元格状态不仅取决于前一单元格的输出和输入，还取决于其他信息，如上下文。您可以使用

raw\rnn

在编码器或解码器LSTM的每个时间步控制计算

如果我理解正确的话，在本教程中，作者在每个时间步将地面真实值输入作为输入提供给解码器。然而，这不是通常的做法。通常，您希望在时间

t

将解码器的输出作为时间

t+1

的输入馈送到解码器。简言之，解码器在每个时间步的输入是可变的，而在

dynamic\n

中是预定义的

---

有关更多技术细节，请参阅：

编码器的隐藏状态用于注意机制good one。这就像我们部落在五月玩的原始RNN。新的注意、编码方法等，对吗？编码器的隐藏状态被用于注意机制中。这就像我们部落在五月玩的原始RNN。新的注意事项、编码方法等，对吗？