В чем разница между двумя разными кодами сообщения Bahdanau's Attention, приведенными в официальных руководствах по Tensorflow?

Я читал и кодировал для задачи машинного перевода и наткнулся на два разных руководства.

Одним из них является бумажная реализация создания подписей с использованием визуального внимания, в которой они использовали функции изображения [64,2048] таким образом, что каждое изображение представляет собой предложение из 64 слов, а каждое слово в предложении имеет вложение длиной 2048. Я полностью понимаю эту реализацию, и вот код для Bahdanau's Additive style Attention ниже:

class BahdanauAttention(tf.keras.Model):
  def __init__(self, units):
    super(BahdanauAttention, self).__init__()
    self.W1 = tf.keras.layers.Dense(units)
    self.W2 = tf.keras.layers.Dense(units)
    self.V = tf.keras.layers.Dense(1)

  def call(self, features, hidden):
    hidden_with_time_axis = tf.expand_dims(hidden, 1)
    attention_hidden_layer = (tf.nn.tanh(self.W1(features) + self.W2(hidden_with_time_axis)))
  
    score = self.V(attention_hidden_layer)

    attention_weights = tf.nn.softmax(score, axis=1)

    context_vector = attention_weights * features
    context_vector = tf.reduce_sum(context_vector, axis=1)
    
    return context_vector, attention_weights

Но когда я перешел к Задаче перевода нейронного машинного языка, я обнаружил там этот комплекс, который я я не могу понять, что здесь происходит:

class BahdanauAttention(tf.keras.layers.Layer):
  def __init__(self, units):
    super().__init__()
    self.W1 = tf.keras.layers.Dense(units, use_bias=False)
    self.W2 = tf.keras.layers.Dense(units, use_bias=False)
    
    self.attention = tf.keras.layers.AdditiveAttention()

  def call(self, query, value, mask):
    w1_query = self.W1(query)
    w2_key = self.W2(value)

    query_mask = tf.ones(tf.shape(query)[:-1], dtype=bool)
    value_mask = mask

    context_vector, attention_weights = self.attention(inputs = [w1_query, value, w2_key],mask=[query_mask, value_mask],return_attention_scores = True,)
    return context_vector, attention_weights

Я хочу спросить

1. В чем разница между ними?
2. Почему мы не можем использовать код для создания титров во втором или наоборот?