本文主要是介绍基于Bidirectional AttentionFlow的机器阅读理解实践，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
机器阅读是实现机器认知智能的重要技术之一。机器阅读任务主要有两大类：完形填空和阅读理解。
（1）完型填空类型的问答，简单来说就是一个匹配问题。问题的求解思路基本是：
1） 获取文档中词的表示
2） 获取问题的表示
3） 计算文档中词和问题的匹配得分，选出最优
（2）文本段类型的问答，与完型填空类型的问答，在思想上非常类似，主要区别在于：完形填空的目标是文档中的一个词，文本阅读理解的目标是文档中的两个位置，分别用来标志答案的起点和终点。目标的差别带来了网络模型上一些差别。
继上次复现了r-net的方案之后，现将之前复现过的Bidirectional AttentionFlow （经典的阅读理解模型）也进行记录一下。
1、基本原理
BiDAF模型最大的特点是在interaction层引入了双向注意力机制，计算Query2Context和Context2Query两种注意力，并基于注意力计算query-aware的原文表示。
模型由这样几个层次组成：
(1)Character Embedding Layer使用char-CNN将word映射到固定维度的向量空间;
(2)Word Embedding Layer使用(pre-trained)word embedding将word映射到固定维度的向量空间;
从上图可以看出，该模型同时使用了字符的词向量和词向量两种层次的嵌入表示。
(3)Contextual Embedding Layer将上面的到的两个word vector拼接，然后输入LSTM中进行context embedding;
(4)Attention Flow Layer将passage embedding和question embedding结合，使用Context-to-query Attention 和Query-to-contextAttention得到word-by-word attention;
(5)Modeling Layer将上一层的输出作为bi-directional RNN的输入，得到Modeling结果M;
(6)Output Layer使用M分类得到passage的起始位置，然后使用M输入bi-directional LSTM得到M2，再使用M2分类得到passage的中止位置作为answer。
2、实验测试
（1）启动训练，加载词向量模型
（2）训练过程截图
（3）训练后的测试结果，如下所示，可以看到F1的值可以达到74.9%
这篇关于基于Bidirectional AttentionFlow的机器阅读理解实践的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
