一名自然语言处理程序员正在写中文文本分类论文请你基于下面一段话进行润色： attention是从大量信息中有筛选出少量重要信息并聚焦到这些重要信息上忽略大多不重要的信息。计算能力的限制：当要记住很多信息模型就要变得更复杂然而目前计算能力依然是限制神经网络发展的瓶颈。优化算法的限制：lstm只能在一定程度上缓解rnn中的长距离依赖问题且信息记忆能力并不高。权重越大越聚焦于其对应的value值

作为一名自然语言处理程序员，你在写中文文本分类论文，需要对下面这段话进行润色：

Attention机制是从大量信息中筛选出少量重要信息，并把注意力集中在这些重要信息上，忽略大多数无关信息。然而，计算能力的限制是神经网络发展的瓶颈之一，当模型需要记住大量信息时，模型复杂度会随之增加。此外，优化算法的限制也会影响Attention机制的性能，例如，长短时记忆网络（LSTM）只能在一定程度上缓解递归神经网络（RNN）中的长距离依赖问题，信息“记忆”能力也不高。在Attention机制中，权重越大则越聚焦于其对应的Value值上，即权重代表了信息的重要性，而Value则是对应的信息本身。具体而言，Attention机制的计算过程可以抽象为两个阶段：第一个阶段是根据Query和Key计算权重系数，第二个阶段是根据权重系数对Value进行加权求和。第一个阶段又可以细分为两个子阶段：第一个子阶段是计算Query和Key的相似性或相关性，第二个子阶段是对原始分值进行归一化处理。这样，我们可以将Attention的计算过程抽象为三个阶段，如图所示。