在LSTM中添加attention機制有多種方式，其中一種常見的方法是使用Bahdanau attention機制。
定義attention權重計算函數：一般使用前饋神經網絡來計算attention權重。該函數接收LSTM的隱藏狀態（通常是最后一個時間步的隱藏狀態）和所有時間步的輸入特征，輸出注意力權重。
計算注意力權重：將LSTM的隱藏狀態和輸入特征傳入attention權重計算函數中，得到注意力權重。
計算上下文向量：將注意力權重與輸入特征進行加權求和，得到上下文向量。上下文向量是輸入特征的加權平均，其中注意力權重表示了輸入特征的重要性。
將上下文向量與LSTM的隱藏狀態連接起來，作為LSTM的輸入。
在后續時間步中，重復步驟2-4。
通過添加attention機制，模型可以自動學習輸入序列中不同時間步的重要性，并將更多的關注放在對于當前預測任務更有幫助的時間步上。這可以提高模型的性能和泛化能力。
