liyonglion

貌似是在函数调用的时候，在栈上做了特殊处理。当发生函数调用，会检查某些条件(具体啥条件我也不知道)，如果触发了该条件，则会调度另外一个G运行。

> > 貌似是在函数调用的时候，在栈上做了特殊处理。当发生函数调用，会检查某些条件(具体啥条件我也不知道)，如果触发了该条件，则会调度另外一个G运行。 > > 对的。正是因为依赖函数调用才能实现G的切换，所以如果函数没有发生函数调用（死循环）时，G就无法被抢占，Go在1.14版本实现的抢占式调度正是解决的这个问题。 感谢 @RainbowMango 贡献如此好文，结合你的文章，再看源码如虎添翼

我使用gensim 加载，未解压的模型，报错：utf-8' codec can't decode bytes in position 96-97: unexpected end of data。如何加载这个模型呢？

例如第一次调用embed_sequence函数，传入的第一个参数是[1,2,3,4],返回的值为a。第二次再调用embed_sequence，同样传入[1,2,3,4],返回值b，此时a是不等于的b的吧~ 在问一个问题：在训练解码端，为什么要在target前面添加呢？不能直接使用target作为解码端的input吗？

我写的代码和你的差不多，但是我没有用tf.contrib.layers.embed_sequence，这个，而是使用tf.nn.embedding_lookup,第一个参数我使用变量共享。例如： `def get_embedding(ids): with variable_scope('embedding',reuse=tf.AUTO_REUSE) : embedding = tf.get_variable('vocab', [vocab_size, embedding_size]) return tf.nn.embedding_lookup(embedding, ids) ` 第二个问题：在预测阶段是无法知道target的，也不能添加token，而是直接把编码的最后一个时间步骤 output作为解码的的输入，然后预测的。还是无法理解为什么在训练解码端，给target开头添加一个token。

我并不认为最后的output 等效于单词，从LSTM的原型来看，当前的Ht = f(Ct,Xt),Ct = g(Ct-1,Xt),这里H表示输出，C表示状态，t表示时间步骤。可以从上面的简化公式理解：当前的输出，是综合了上一个状态(可以理解为记忆)和当前的输入，表示当从t0开始到tn输入的“理解”而已，当然可以用来预测当前的时间步输出单词而已，这里的预测也是用类似于全连接层，进行分类而已。

目前我还没有测试。我也是在前天加了token，这个我后面再试。目前我正在做文本摘要，从目前的训练结果来看，可以提取文章的中心思想，但是有些重要的词抓的不准确，有些头疼。不知道如何改进。context-vector这个词用的好传神。如果给一个0向量作为Decoder的启动，那么其实相当于什么input信息都没给他，他能依赖的只有context-vector这句话说的很有些道理。

Thanks for your implementation.