seq2seq应用场景：
文本生成：翻译、看图说话、生成摘要
文本理解和生成文本
encoder & decoder
encoder，根据输入序列生成语义向量 （h4 = C）
decoder 根据语义向量生成指定序列
seq2seq
encoder通常是一个RNN类模型，
decoder可以有：
1、Greedy Decoding：Greedy Decoding就是每次选择概率值最大的对应的单词（每一轮softmax最大的单词）。但这样做的缺点是，局部最优并不等于全局最好的，而且一旦选错了，后续生成的内容很可能也是错误的，具有错误的累加效果。对于此问题，更好的解决方法是每次考虑更多的可能性。
2、暴力搜索： 相比方法1，暴力搜索时间复杂度极高，一句话m个单词，会产生|V|的m次方计算。
3、beam-search： Beam Search的时间复杂度 kkT，k时beam_size， T是句子长度
k=3时，每一步我们考虑了9种可能性,但为了不让计算复杂度增加,又从9个选项里再选出最好的3个。这就意味着,每个时间的计算复杂度实际上是3的平方,也就是k的平方
时间复杂度kkT
序列得分怎么得到？ decoder最后的输出，softmax ？？？
beam search
代码review：
一个句子，有10个单词，总共有5个备选词。
句子每个位置上，取0~4号单词的概率 用一个矩阵表示，第一维表示是第几个词，第二维表示第i个备选词。
for row in data： # 循环这个句子中的每一个词
for i in range(len(sequeces)): # 循环目前所有的备选子序列，循环次数=beam_size
1) for j in range(len(row)): # 循环每个备选词，循环次数=词表大小
# 更新每个备选子序列，比如：第一次备选序列为 [a] [c], 更新后[aa] [ab] [ac] [ca] [cb] [cc]
2) 备选子序列重新赋值，取上一步骤的 topk 个子序列
返回所有备选子序列
代码review
