Attention mechanism在序列学习任务上具有巨大的提升作用，在编解码器框架内，通过在编码段加入Attention模型，对源数据序列进行数据加权变换，或者在解码端引入Attention 模型，对目标数据进行加权变化，可以有效提高序列对序列的自然方式下的系统表现。

从应用层面上Attention可以分为：

空间注意力  Spatial Attention
时间注意力  Temporal Attention

从 Attention的作用方法上可分为：

Soft Attention

Hard Attention

根据Attention输出的向量分布是一种one-hot的独热分布还是soft的软分布，这直接影响对于上下文信息的选择作用。

为什么要加入Attention：

        1. 当输入序列非常长时，模型难以学到合理的向量表示。
        2. 序列输入时，随着序列的不断增长，原始根据时间步的方式的表现越来越差，这是由于原始的这种时间步模型设计的结构有缺陷，即所有的上下文输入信息都被限制到固定长度，整个模型的能力都同样受到限制，我们暂且把这种原始的模型称为简单的编解码器模型。
       3. 编解码器的结构无法解释，也就导致了其无法设计。