Seq2Seq架构：
通过Encoder将输入语句进行编码得到固定长度的Context Vector向量，这个编码过程实际上是一个信息有损压缩的过程；随后再将Context Vector传给Decoder进行翻译结果的生成，在Decoder端生成每个单词时，均参考来自Encoder端相同的Context Vector，如下图所示。
引入Attention机制，给予当前待翻译的词更多的权重，使得我们翻译每个词时会对源语句有不同的侧重，如下图所示。
BiRNN正如其名字所说——双向RNN，意思是我们不仅考虑句子的正向序列，还要考虑反向序列，以此让模型捕获句子的完整信息。
本篇文章以Keras作为框架，在Seq2Seq基础模型上加入Attention机制与BiRNN，以英法平行语料为训练数据，构建翻译模型并采用BLEU对模型结果进行评估。
1.Attention层
以“我爱机器学习”为例，假如我们当前时刻准备生成“machine”这个词，此时我们需要计算Context Vector。
我们对图中的符号先进行定义：
- s_prev代表Decoder端前一轮的隐层状态，即代表了翻译“love”阶段的输出隐层状态；
- 蓝色框图中的a1-a4分别代表了Encoder端每个输入词BiRNN隐层状态。例如，a1代表了“我”这个词经过Bi-LSTM后的输出向量；
- 红色α1-α4分别代表了Attention机制学习到的权重。例如α3代表了“机器”这个词的权重，可以看到α3对应的线条比较粗，意味着在翻译生成“machine”这个词时对应的Context Vector会给予“机器”这个词更多的Attention；
- 绿色的圈圈代表加权后的Context Vector。
Attention中权重α是关于a和s_prev的函数，我们首先将Bi-LSTM的隐层状态a和s_prev进行concat；然后利用全连接层并采用Softmax激活函数训练一个小的神经网络，得到输出α。进而再利用得到的权重α对Bi-LSTM的隐层状态a进行加权求和，得到当前翻译“machine”的Context Vector，最后将这个Context Vector输入给Decoder进行处理。对翻译的每个词我们都可以采用同样的方式进行构造。
2.Embedding层
采用Glove预训练好的100维词向量作为Embedding层，加载进模型。
3.模型构建
在Encoder端，对输入句子进行学习，求得当前的Context Vector，并将其传递给Decoder处理；在Decoder端，以t-1的输出和当前Context Vector作为LSTM输入，翻译得到结果。
