機器閱讀是實作機器認知智能的重要技術之一。機器閱讀任務主要有兩大類：完形填空和閱讀了解。
（1）完型填空類型的問答，簡單來說就是一個比對問題。問題的求解思路基本是：
1） 擷取文檔中詞的表示
2） 擷取問題的表示
3） 計算文檔中詞和問題的比對得分，選出最優
（2）文本段類型的問答，與完型填空類型的問答，在思想上非常類似，主要差別在于：完形填空的目标是文檔中的一個詞，文本閱讀了解的目标是文檔中的兩個位置，分别用來标志答案的起點和終點。目标的差别帶來了網絡模型上一些差别。
繼上次複現了r-net的方案之後，現将之前複現過的Bidirectional AttentionFlow （經典的閱讀了解模型）也進行記錄一下。
1、基本原理
BiDAF模型最大的特點是在interaction層引入了雙向注意力機制，計算Query2Context和Context2Query兩種注意力，并基于注意力計算query-aware的原文表示。
模型由這樣幾個層次組成：
(1)Character Embedding Layer使用char-CNN将word映射到固定次元的向量空間;
(2)Word Embedding Layer使用(pre-trained)word embedding将word映射到固定次元的向量空間;
從上圖可以看出，該模型同時使用了字元的詞向量和詞向量兩種層次的嵌入表示。
(3)Contextual Embedding Layer将上面的到的兩個word vector拼接，然後輸入LSTM中進行context embedding;
(4)Attention Flow Layer将passage embedding和question embedding結合，使用Context-to-query Attention 和Query-to-contextAttention得到word-by-word attention;
(5)Modeling Layer将上一層的輸出作為bi-directional RNN的輸入，得到Modeling結果M;
(6)Output Layer使用M分類得到passage的起始位置，然後使用M輸入bi-directional LSTM得到M2，再使用M2分類得到passage的中止位置作為answer。
2、實驗測試
（1）啟動訓練，加載詞向量模型
（2）訓練過程截圖
（3）訓練後的測試結果，如下所示，可以看到F1的值可以達到74.9%