在对比Top-down and bottom-up attention模型和show attend and tell模型时，视频提到show attend and tell里只用了一层LSTM，这里的LSTM既要做图像注意力计算又要做文本生成，学习的任务“太多了”，导致模型过载，从而学得不好。
我对“要学得太多了从而学不好”的理解有些不太一样的角度，不知道这样理解对不对？

1. 生成模型（我理解show attend and tell不是判别模型？）本质上是在拟合输入数据的联合概率分布。如果是输入“太多了而学不好”的话，一定程度上可以看作模型under-fitting，不能很好地拟合输入的分布。增加参数数目（“参数数目一定程度上可以反映模型的容量，参数越多理论上模型就可以学习到更多的东西”），比如hidden size, 模型层数（“在代码的领域，所有的问题都可以用分层去解决”？），增强模型fit分布的能力，理论上是不是可以减轻问题？
2. 计算图像注意力和生成文本两件事可能差别比较大，从而二者概率分布的相关性也相对弱（能否这么理解？）。一套模型需要同时拟合两套不同的概率分布比较难（相反，如果两个任务比较类似，他们的分布也比较接近的话，模型学习起来会容易一些）。与其说“任务太多了”，我理解起来更像是“任务太杂了”，从而模型学不好？