我已将embedding_attention_seq2seq模块用于机器翻译任务，如以下指定的教程中所述：
https://www.tensorflow.org/versions/master/tutorials/seq2seq/index.html
在教程中指定模型的seq2seq_model.py中，我注意到如果use_lstm在这些行中设置为false，则默认使用GRUCell：
# Create the internal multi-layer cell for our RNN.
single_cell = tf.nn.rnn_cell.GRUCell(size)
if use_lstm:
single_cell = tf.nn.rnn_cell.BasicLSTMCell(size)
cell = single_cell
if num_layers > 1:
cell = tf.nn.rnn_cell.MultiRNNCell([single_cell] * num_layers)
现在，如果编码器是双向的，并且上下文化同时考虑了隐藏层参数，那么教程指定作为模型实现的文章here中描述的注意机制具有更多的语义意义。 seq2seq_model文件没有提到任何双向组件。
所以我的问题是，embedding_attention_seq2seq默认是否实现了双向RNN编码器？
如果没有，它是否只是简单地采用普通LSTM编码器的每个时间步的隐藏层输出，从而将上下文仅限于句子中之前发生的单词？
答案 0 :(得分：3)
所以我的问题是，embedding_attention_seq2seq默认是否实现了双向RNN编码器？
不，它没有实现双向RNN编码器。编码器的输出（用于建立注意状态）是在columns: [
{ field: "field1", title: "Field 1", locked: true, width:200 },
{ field: "field2", title: "Field 2", width: 1000 }
]
的前几行内构建的：
embedding_attention_seq2seq第一行用嵌入包裹单元格。第二个向前# Encoder.
encoder_cell = rnn_cell.EmbeddingWrapper(
cell, embedding_classes=num_encoder_symbols,
embedding_size=embedding_size)
encoder_outputs, encoder_state = rnn.rnn(
encoder_cell, encoder_inputs, dtype=dtype)
向前encoder_cell encoder_inputs的第210-228行。
如果没有，它是否只是简单地采用普通LSTM编码器的每个时间步的隐藏层输出，从而将上下文仅限于句子中之前发生的单词？
那是对的。