R-net在和的非正式实现。 实际上，我并没有完全重现本文的模型，因为有些细节对我来说不是很清楚，而且自我匹配的动态关注需要太多的记忆。 相反，我根据 （在Tensorflow中）实现了R-Net的变体。 原始R-net和HKUST R-net之间的最大区别是： 原始R-net在RNN的每个步骤中都进行关注，这意味着隐藏状态会参与关注度计算。 我称其为动态关注。 在HKUST R-Net中，在执行RNN之前要先计算注意力（成对编码器和自匹配编码器）。 我称它为静态注意力。 中的一些细节可

Tensorflow中的R-NET 该存储库是的Tensorflow实现， 是旨在解决问题解答（QA）任务的神经网络。 此实现是专为设计的， 是最近在QA领域引起关注的大规模数据集。 如有任何疑问，请联系 。 更新和致谢 17.12.30 根据最近的要求，我发布了一组经过训练的模型权重。 可以在下面的“当前结果”部分中找到详细信息。 17.12.12 我要感谢范扬指出评估模型时的几个错误。 首先，在执行evaluate.py程序时，需要明确指定要评估的模型。 请参阅下面的用法部分。 另

tf2_Segmentation 这是由Tensorflow 2.x实现的图像分割框架。 这个框架中有U-Net，DeepLabV3，BESNet。 U-Net：Olaf Ronneberger，Philipp Fischer，Thomas Brox的卷积网络用于生物医学图像分割（ ）。 DeepLabV3：重新思考Atrous卷积用于语义图像分割，作者Liang-Chieh Chen，George Papandreou，Florian Schroff，Hartwig Adam（ ）。