QANet：用于机器阅读理解的QANet的Tensorflow实现

质量保证网 来自ICLR2018的Google （以前的快速阅读理解（FRC））的。 （注意：这不是本文作者的正式实现） 我写了一篇有关实施QANet的博客文章。 在查看更多信息！ 已从采用了培训和预处理流程。 演示模式正在运行。 训练后，只需使用python config.py --mode demo即可运行交互式演示服务器。 由于存在内存问题，因此与原始论文中的8头多头注意相比，使用了单头点乘积注意。 由于使用GTX1080而不是纸张中的P100，因此隐藏尺寸也从128减少到96。 （8GB的GPU内存不足。如果您拥有12GB的GPU，请与我们分享您的培训结果。） 目前，最佳模型以6万步（6至8小时）达到EM / F1 = 70.8 / 80.1。 下面列出了详细结果。 数据集 用于此任务的数据集是 。 从普通抓取中获得的经过预训练的GloVe，其中包含用于单词的840B令牌。 要求 Python> = 2.7 NumPy tqdm TensorFlow> = 1.5 spacy == 2.0.9 瓶子（仅用于演示） 用法 要下载和预处理数据，请运行 # dow