BIDAF

implement Machine Reading Comprehension Model introduced by Bi-directional Attention Flow for Machine Comprehension.

QANET

init:初始化一些参数和配置文件
build_graph:建立计算图，主要调用下面的搭模型的方法
placeholders :设置tensorflow 模型占位符，也就是传入的参数，不是模型参数，主要是原文序列（batch_size, passage_length, embedding_size），问题序列（batch_size, question_length, embedding_size），原文长度序列（shape = [batch_size],每一个值为每一个样本的长度），问题长度序列（batch_size）， start(shape = [batch_size], 一批样本对应答案的开始位置)， end同样，dropout_keep_prob：是dropout参数
word_embedding：之前是加载自己预训练的词向量，现在是用得elmo,参考：如何将ELMo词向量用于中文
encoder :对应原论文中：Embedding Encoder Layer，实现了其中的position Encoding, Layernorm, depthwise separable conv, Self-attention,主要方法在blocks.py文件中，分别对问题和原文进行encode,参数进行共享
attention_flow：使用的BIDAF的context-query attention和query-context attention部分，对应于attention.py中的content_attention
model_encoder:方法和encoder中的一模一样，调用的也是一样的方法
output：使用了一个全连接层就是论文中的W_1[M0;M1], 和W2[M0; M2]
compute_loss：求loss
train_one_epoch:每一轮train的方法
train：train的主方法
evaluate：每跑完50轮评价一下模型，如果高于上一轮的效果就保存当前模型的参数
dev_content_answer：加载验证集