seq2seq中的注意力机制解决了长期梯度消失的问题，LSTM只解决了一部分长短期问题。
transformer中采用的自注意力机制多少借鉴该方法，其最核心的公式如下图所示。
Attention机制详解（一）——Seq2Seq中的Attention - 知乎 (zhihu.com)
Q、K、V分别代表询问、键值以及数据值，本质就是根据输入的x分配权值，关注更有意义的部分。Q、K、V其实都是从同样的输入矩阵X线性变换而来的。我们可以简单理解成：
在这张图中，与
经过MatMul，生成了相似度矩阵。对相似度矩阵每个元素除以
，
为
的维度大小。这个除法被称为Scale。当
很大时，
的乘法结果方差变大，进行Scale可以使方差变小，训练时梯度更新更稳定。方差过大容易导致softmax结果非0及1，梯度更新后会造成结果振荡 ，不利于梯度稳定更新。
此外，为了便于理解，提供了seq2seq的pytorch实现。
PyTorch实现Seq2Seq机器翻译 - 那少年和狗 - 博客园 (cnblogs.com)
seq2seq的基本架构如图所示，可以通过输入不定长的序列，输出不定长的序列。Seq2Seq在训练阶段和预测阶段稍有差异。如果Decoder第一个预测预测的输出就错了，它会导致“蝴蝶效应“，影响后面全部内容。为了解决这个问题，在训练时，Decoder每个时间步的输入不全是上一个时间步的输出，而以一定的概率选择真实值作为输入。