传统的embedding，将词向量空间映射到d维
编码器+解码器--多层cnn，卷积核的大小k，参数规模为kd * 2d，其中kd为每一次卷积的输入矩阵大小（kd），2d为输出矩阵大小（2d）即两维列向量 [A, B]
-
非线性--门控结构 gated linear units（GLM）GLM
其中，sigma是门控函数，操作符是点积
-
残差连接
residual每一层（block）之间都是残差连接
-
输出
decoder的最后一层卷积层的最后一个单元输出经过一层fc和softmax得到下一个目标词的概率
output multi-step attention
attention接在encoder和decoder之间，其中h是decoder的output，z是最后一层encoder的output（注意这里与rnn不同，不存在state），e是input embedding。最终计算得到权重a，而attention输入用的是encoder输出与原始input embedding之和，输出c表征了上下文的注意力特征，c与h相加，构建了最后的decoder输出h。
如此，在每一个卷积层都会进行 attention 的操作，得到的结果输入到下一层卷积层，这就是多跳注意机制multi-hop attention。这样做的好处是使得模型在得到下一个主意时，能够考虑到之前的已经注意过的词。
RNN 模型的突出优势，是很好地解决了长距离依赖的难题。Facebook 这篇论文之所以轰动，是因为他们使用了 CNN 卷积模型，来取代 RNN 循环模型。不仅精度超越循环模型，而且训练速度提高了 9 倍。
引自paperweekly：
CNN 比 RNN 的训练速度快，这一点容易理解，没有争议。卷积比循环的训练速度快，这是由两个因素造成的必然结果。
卷积可以并行处理，而循环只能按顺序依次处理。在云计算平台上，让多个机器同时并行训练卷积模型，速度当然比串行训练循环模型来得快。
可以用 GPU 芯片来加速卷积模型的训练，而暂时还没有硬件能够加速 RNN 的训练。
有争议之处，在于精度的高下，究竟是取决于 CNN vs RNN 模型的不同，还是取决于解码技术，尤其是解码器的关键技术 attention 的改进？
个人认为，卷积（convolution）的层层抽象，与循环（recurrency）的三重门，其实是异曲同工。虽然手段不同，但是目的都是忽略次要内容，传承重要内容。所以，在精度方面，卷积与循环不会有太大差距。
Facebook translate 与 Google translate 的精度差异，应该来自于 Facebook translate 对于 attention 的改进。
Facebook 研究组，对 attention 做了改进，体现在两点。
Google Translate 的解码器使用的是单层的 LSTM 模型，相应地，attention 也是单层的。Facebook 的解码器使用的是 CNN 模型，是多层的。相应地，Facebook 的 attention 是多跳的（multi-hop）。越是底层的 attention，越聚焦，细节越丰富。越是高层的 attention，视野越开阔，抽象程度越高，越能抓住文章主旨。
Google Translate 使用的 attention，依赖于编码器生成的语义向量，而不依赖于输入的原生态的词向量。而 Facebook 的 attention，对语义向量和原生态词向量兼收并取。语义向量负责把握主旨，保证解码器的输出不偏题。原生态词向量关注措辞，保障解码器的输出用词得当。
