这一章节与前面写好的function关联太大，建议看书P291.

这章节主要讲述了添加attention的seq2seq,且只在decoder里面添加，所以全文都在讲这个decoter

目录

1.训练

2.预测

---

1.训练

#@save
class AttentionDecoder(d2l.Decoder):
    """带有注意⼒机制解码器的基本接⼝"""
    def __init__(self, **kwargs):
        super(AttentionDecoder, self).__init__(**kwargs)
        
    @property
    def attention_weights(self):
        raise self._attention_weights

  Encoder对每个词的rnn输出作为key-values,输出为(bs,k-v,h)
  Decoder对上一个词的rnn输出作为query（bs,1,h)
  要预测下一词时，当前预测的作为query，编码器对应的各个原文输出为key-values，进行attention，来找到对应预测下一个词的查询
  原seq2seq是将上一个rnn里最后一个state，现在允许所有词的输出都获取，根据上下文对应找到(bs,q,h///values)

  只有decoder使用attention
  前面的init只增加了一个attention，其他的emb、rnn、dense与seq2seq一样
  init_state相比之前增加了enc_valid_lens，告知encoder中的有效长度

class Seq2SeqAttentionDecoder(AttentionDecoder):
    def __init__(self, vocab_size, embed_size, num_hiddens, num_layers,
                dropout=0, **kwargs):
        super(Seq2SeqAttentionDecoder, self).__init__(**kwargs)
        self.attention = d2l.AdditiveAttention(
            num_hiddens, num_hiddens, num_hiddens, dropout)
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.rnn = nn.GRU(
            embed_size + num_hiddens, num_hiddens, num_layers,
            dropout=dropout)
        self.dense = nn.Linear(num_hiddens, vocab_size)
        
    def init_state(self, enc_outputs, enc_valid_lens, *args):
        # outputs的形状为(batch_size，num_steps，num_hiddens).
        # hidden_state的形状为(num_layers，batch_size，num_hiddens)
        outputs, hidden_state = enc_outputs
        return (outputs.permute(1, 0, 2), hidden_state, enc_valid_lens)
    
    def forward(self, X, state):
        # enc_outputs的形状为(batch_size,num_steps,num_hiddens).
        # hidden_state的形状为(num_layers,batch_size,
        # num_hiddens)
        enc_outputs, hidden_state, enc_valid_lens = state
        # 输出X的形状为(num_steps,batch_size,embed_size)
        X = self.embedding(X).permute(1, 0, 2)
        outputs, self._attention_weights = [], []
        for x in X:
            # query的形状为(batch_size,1,num_hiddens)
            query = torch.unsqueeze(hidden_state[-1], dim=1)
            # context的形状为(batch_size,1,num_hiddens)
            context = self.attention(
                query, enc_outputs, enc_outputs, enc_valid_lens)
            # 在特征维度上连结
            x = torch.cat((context, torch.unsqueeze(x, dim=1)), dim=-1)
            # 将x变形为(1,batch_size,embed_size+num_hiddens)
            out, hidden_state = self.rnn(x.permute(1, 0, 2), hidden_state)
            outputs.append(out)
            self._attention_weights.append(self.attention.attention_weights)
        # 全连接层变换后，outputs的形状为
        # (num_steps,batch_size,vocab_size)
        outputs = self.dense(torch.cat(outputs, dim=0))
        return outputs.permute(1, 0, 2), [enc_outputs, hidden_state,
                                            enc_valid_lens]
    
        @property
        def attention_weights(self):
            return self._attention_weights

  对于for：每一步的context会变，所以需要一步一步更新context
  query里面的hidden_state[-1]里面的-1表示获取最后一层的rnn_state(bs,h)，原本为(n_layers,bs,h)
  再context中，keys=values=enc_outputs,在此虽然最后维度长度相同，但是也可用加性attention。
  T表示k-v，h为values,P289;out尺寸为(bs,T,h)表示原句子所有输出，经过attention得到的context表示拿到了(bs,q,values),在所有的outputs找到了q查询对应的值，
  每个词的context不同，所以q=1，query为上一次decoder的输出的最后一层，再用attention再encoder的全部输出outputs(bs,T,h)找到相关的查询输出注意力权重和查询值(bs,q,values)--权重如何计算？通过grad自己找loss学的。
  即context为(bs,1,h),再合并x送入decoder的rnn产生下一个词的预测。(vx
  加了attention是利用decoder上一层输出到encoder中所有的out找到相关查询值，再与当前x拼一起产生预测，（第一个x的上一层输出query是encoder最后的state再state[-1]取最后一层）

embed_size, num_hiddens, num_layers, dropout = 32, 32, 2, 0.1
batch_size, num_steps = 64, 10
lr, num_epochs, device = 0.005, 250, d2l.try_gpu()

train_iter, src_vocab, tgt_vocab = d2l.load_data_nmt(batch_size, num_steps)
encoder = d2l.Seq2SeqEncoder(
    len(src_vocab), embed_size, num_hiddens, num_layers, dropout)
decoder = Seq2SeqAttentionDecoder(
    len(tgt_vocab), embed_size, num_hiddens, num_layers, dropout)
net = d2l.EncoderDecoder(encoder, decoder)
d2l.train_seq2seq(net, train_iter, lr, num_epochs, tgt_vocab, device)

2.预测

预测时，dec_x=1

可见，预测的时候dec_x就是只有一个

(bs,T)--(1,1)

再送入decoder

 经过emb后，且经过permute后，得到(T,bs,emb)

然后就是获取query，(bs,q,q_s),本次q_s=k_s=h=values;传入加性注意力拿到(bs,q,values),与当前x做拼接生成(bs,T,emb+h),再通过permute得到rnn的通识传入尺寸(T,bs,emb+h).通过rnn后得到out为(T,bs,h),再经过线性层并经过permute,得到最终输出(T,bs,len(v))

 decoder中outputs传入dense线性层操作

 原先outputs是一个list，里面的每个元素为(1,bs,h);经过cat后，将T拼接起来形成(T,bs,h),一并传入dense获得整个T的最终输出(T,bs,len(v))