我的任务是将英语句子转换为德语句子。我首先使用普通的编码器-解码器网络进行此操作，在该网络上我得到了相当不错的结果。然后，我尝试使用与以前相同的模型来解决相同的任务，但其中包含Bahdanau Attention。而且，没有注意力的模型优于有注意力的模型。
模型在没有注意力的情况下的损失在 5 个时期内从大约 8.0 下降到 1.4，在 10 个时期内下降到 1.0，损失仍在减少，但速度较慢。
在 5 个 epoch 内，模型的注意力损失从大约 8.0 下降到 2.6，并且没有学到更多东西。
没有一个模型过拟合，因为这两个模型的验证损失也在减少。
每个英文句子有 47 个单词（填充后），每个德语句子有 54 个单词（填充后）。我在训练集中有 7000 个英语句子和 7000 个德语句子，在验证集中有 3000 个句子。
我尝试了几乎所有方法，例如：不同的学习率、不同的优化器、不同的批量大小、我在模型中使用的不同激活函数、尝试应用批量和层归一化，以及编码器和解码器的 LSTM 单元数量不同，但没有什么区别，除了归一化和增加数据，其中损失下降到大约 1.5，但随后再次停止学习！
为什么会这样？为什么有 Bahdanau 注意力的模型失败了，而没有任何注意力的模型表现良好？
编辑 1 - 我尝试在注意力之前、注意力之后以及注意力前后都应用 LayerNormalization。每种情况下的结果大致相同。但是，这一次，损失在 5 个 epoch 内从大约 8.0 变为 2.1，并且再次没有学到太多东西。但是大部分学习是在 1 个 epoch 中完成的，因为在 1 个 epoch 结束时它达到了大约 2.6 的损失，然后在下一个 epoch 达到 2.1，然后又没有学到太多东西。
尽管如此，没有任何注意力的模型优于同时具有注意力和 LayerNormzalization 的模型。这可能是什么原因？我得到的结果有可能吗？一个没有任何归一化、没有任何 dropout 层的普通编码器-解码器网络如何比具有注意力和 LayerNormalization 的模型表现得更好？
编辑 2 - 我尝试增加数据（我做了 7 倍以上的数据），这一次，两个模型的性能都提高了很多。但是，没有注意力的模型仍然比有注意力的模型表现得更好。为什么会这样？
编辑 3 - 我尝试通过首先从整个训练数据集中传递一个样本来调试模型。损失从大约 9.0 开始，并在 0 处减少并收敛。然后，我尝试通过 2 个样本，损失再次从大约 9.0 开始，但是这一次，它只是在前 400 个时期的 1.5 和 2.0 之间徘徊，并且然后慢慢减少。这是我只用 2 个样本训练它时损失如何减少的图：
这是我只用 1 个样本训练它时损失如何减少的图：
