paddle上给一个3层输入，3层输出，3个kernel，filters=[16,32,64]的神经网络加attention，怎么加？

可以使用PaddlePaddle的高层API——`paddle.nn.Layer`来搭建神经网络，并使用Attention机制。具体实现步骤如下：

1. 导入必要的包和模块：

import paddle
import paddle.nn as nn
import paddle.nn.functional as F

2. 定义神经网络类：

class MyNet(nn.Layer):
    def __init__(self):
        super(MyNet, self).__init__()
        self.conv1 = nn.Conv2D(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2D(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.conv3 = nn.Conv2D(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1)
        
        self.attention = nn.MultiHeadAttention(embed_dim=64, num_heads=8)
        
        self.fc1 = nn.Linear(in_features=64, out_features=32)
        self.fc2 = nn.Linear(in_features=32, out_features=10)
        
    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.relu(self.conv2(x))
        x = F.relu(self.conv3(x))
        
        # 使用Attention机制
        x = x.reshape((-1, 64, 32)) # 将输入reshape成(seq_len, batch_size, embed_dim)
        x, _ = self.attention(x, x, x) # 注意力机制
        x = x.reshape((-1, 64)) # 将输出reshape成(batch_size, embed_dim)
        
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        
        return x

在上述代码中，我们定义了一个名为`MyNet`的神经网络类，其中包含了三个卷积层、一个多头注意力层、两个全连接层。在`forward`函数中，我们将卷积层的输出通过多头注意力层处理，然后再经过全连接层输出最终结果。

3. 实例化神经网络类：

net = MyNet()

4. 定义损失函数和优化器：

loss_fn = nn.CrossEntropyLoss()
optimizer = paddle.optimizer.Adam(parameters=net.parameters())

5. 训练神经网络并测试：

# 训练
for epoch_id in range(EPOCH_NUM):
    for batch_id, data in enumerate(train_loader()):
        x_data = data[0]
        y_data = data[1]
        predicts = net(x_data)
        loss = loss_fn(predicts, y_data)
        
        loss.backward()
        optimizer.step()
        optimizer.clear_grad()
        
        if batch_id % 100 == 0:
            print("epoch_id: {}, batch_id: {}, loss is: {}".format(epoch_id, batch_id, loss.numpy()))
            
# 测试
net.eval()
accs = []
for batch_id, data in enumerate(test_loader()):
    x_data = data[0]
    y_data = data[1]
    predicts = net(x_data)
    loss = loss_fn(predicts, y_data)
    acc = paddle.metric.accuracy(predicts, y_data)
    accs.append(acc.numpy())
    
print("Test acc: {}".format(np.mean(accs)))

在训练过程中，我们使用了`Adam`优化器和`CrossEntropyLoss`损失函数，每个batch训练完毕后输出损失值。在测试过程中，我们计算了模型的准确率。

以上就是如何使用PaddlePaddle搭建一个包含Attention机制的神经网络的步骤。根据需求，可以对上述代码进行修改以达到目标网络的结构。