这是通过修改Keras中内置的GRU单元创建的Bahdanau Attention机制的实现：
https://github.com/erelcan/keras_bahdanau
对于解码器中的每个时间步，应该计算上下文向量并将其用于计算该步的输出。为了计算步骤（t）的上下文向量，需要步骤（t-1）的解码器状态和步骤（t）的注释（编码器输出）（请参阅[1]的附录2.2）。因此，我们需要在执行循环步骤时计算上下文向量，这与作品[2]，[3]不同（请参阅我在github存储库中共享的详细指南）。
因此，我想知道[2]或[3]中的方法是否与[1]中的方法相同，或者它们是某种近似还是仅仅是另一种方法。
无论是从理论上的正确性还是在实践中的效率方面，我都会对我的实施提出任何反馈意见。另外，任何测试示例都非常受欢迎。
[1]通过联合学习对齐和翻译来进行神经机器翻译
[2] https://towardsdatascience.com/light-on-math-ml-attention-with-keras-dc8dbc1fad39
[3] https://github.com/philipperemy/keras-attention-mechanism