参考论文： SCA-CNN: Spatial and Channel-wise Attention in Convolutional Networks for Image Captioning
image caption是一个image to text的问题，例如图一中需要生成的下一个词我们通过观察可以知道是cake,大概来讲我们人类是如何知道的呢？首先根据文本上下文确定我们要观察的区域，然后只需要观察cake的那块区域即可，识别出来这个区域的东西对应的英文单词是什么。讲这段话的主要意思就是：生成某个词的时候也许不需要观察所有图像，某块图像才是关键点，所以需要把注意力放在这个地方。
图一 image caption问题的例子以及整体框架