图8.4 全局注意力模型（Luong et al., 2015）
图8.5 局部注意力模型（Luong et al., 2015）
图8.6 在5或6层的self-attention中，远程依赖注意力机制的一个例子（Vaswani et al., 2017）
图8.7 一个注意力head的例子，解释了从“its”这个单词得到的注意力（Vaswani et al., 2017）
图8.14 一个可视化的例子，在这个白色区域表示模型所关注的位置，用基于item-wise的基于RNN的模型生成标题。左上角的单词是模型生成的单词（Xu et al., 2015）
图8.16 左侧为scale点乘attention结构图，右侧为由几个平行的注意力层组成的multi-head注意力结构图（Vaswani et al., 2017）
图8.17 转换模型机制（Vaswani et al., 2017）
图8.18 用基于位置的RNN回答表示（Chen et al., 2017）
图8.21 R-net 结构图解（Microsoft Asia Natural Language Computing Group, 2017）
图8.23 （a）是原始的seq2seq模型，（b）是长度为3的目标端瞥见模型 ，符号“<”和“>”是序列的开始和结束（Shao et al., 2017）
图8.29 （a）模型的单层版本，（b）模型的三层版本（Sukhbaatar et al., 2015）
图8.35 （a）基于奖励的模仿学习模型，（b）前馈预测模型（Weston, 2016）
图8.36 面向目标的对话的任务例子（Bordes et al., 2016）