修改DSIN部分内容

docs/ch02/ch2.2/ch2.2.4/DSIN.md

@@ -713,19 +713,15 @@ class BiLSTM(Layer):
 这里这个操作是比较骚的，以后建立双向LSTM就用这个模板了，具体也不用解释，并且这里之所以说灵活，是因为最后前向LSTM的结果和反向LSTM的结果都能单独的拿到，且可以任意的两者运算。  我记得Keras里面应该是也有直接的函数实现双向LSTM的，但依然感觉不如这种灵活。 这个层数自己定，单元自己定看，最后结果形式自己定，太帅了简直。  关于LSTM，可以看[官方文档](https://tensorflow.google.cn/versions/r2.0/api_docs/python/tf/keras/layers/LSTM)
 
 这个的输入是`(None, sess_nums, embed_dim)`， 输出是`(None, sess_nums, hidden_units_num)`。
+
 ###  会话兴趣局部激活
 这里就是局部Attention的操作了，这个在这里就不解释了，和之前的DIEN，DIN的操作就一样了， 代码也不放在这里了，剩下的代码都看后面的GitHub链接吧， 这里我只记录下我觉得后面做别的项目会有用的代码哈哈。 
 
 ## 总结
-到这里，就把DSIN这个网络走了一遍，这是阿里在DIEN后的新探索，也把比较经典的Transformer引入了进来，这篇文章画了3个下午+1个晚上的时间，主要是研究代码花的时间多。不过总算借着这个机会弄懂了Transformer。 简单总结下：
-
 DSIN的核心创新点就是把用户的历史行为按照时间间隔进行切分，以会话为单位进行学习， 而学习的方式首先是会话之内的行为自学习，然后是会话之间的交互学习，最后是与当前候选商品相关的兴趣演进，总体上还是挺清晰的。 
 
 具体的实际使用场景依然是有丰富的用户历史行为序列才可以，而会话之间的划分间隔，也得依据具体业务场景。 具体的使用可以调deepctr的包。
 
-由于最近涉及到找工作，估计后面再学习模型的话，来不及复现了，因为每个模型都复现花费时间太多，也没有必要，因为好多东西都在重复。 所以后面打算这样， 快速看论文先总结原理，代码复现部分的话，先占个坑， 等后面找到工作之后了，再慢慢来填坑。 当然遇到一些引入新结构且重要的那种模型，还是会参考deepctr复现一波的，就比如这次这个。 所以接下来这段时间，先以前沿模型的思路为主， 代码实现为辅哈哈。
-
-
 **参考资料**：
 * [DSIN原论文](https://arxiv.org/abs/1905.06482)
 * [自然语言处理之Attention大详解（Attention is all you need）](https://blog.csdn.net/wuzhongqiang/article/details/104414239?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161512240816780357259240%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=161512240816780357259240&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_v1~rank_blog_v1-1-104414239.pc_v1_rank_blog_v1&utm_term=Attention+is+all)