Question_Answering_on_SQuAD 用于提问和回答的Dyanamic Coattention网络。 要求： tqdm 张量板 Gensim 实施论文： 方法： DCN，也称为动态共同注意网络，是用于问答的端到端神经网络。 DCN由共同注意编码器和动态指针解码器组成。 共同注意编码器首先将问题和段落融合在一起，以生成一个面向问题的段落表示，称为大衣注意力编码，并将其馈送到动态指针解码器。 Dyanamic指针解码器由Maxout网络和Highway网络组成。 解码器输出两个值，分别是它在段落中预测的答案的开始索引和结束索引。 以DCN +的形式对上述方法进行了改进。 DCN的一个缺点是它仅具有一个单层的Coattention编码器。 DCN +由堆叠的涂层层组成，可帮助涂层编码器对输入进行更深入的表示。 已进行的另一项改进是将当前层的涂布强度输出与前一层的剩余输出

SQuAD-v1.1 train 种类：JSON File 大小：30,288,272 字节（磁盘上的30.3 MB） dev 种类：JSON File 大小：603,171 字节（磁盘上的606 KB）

SquadJS 关于 SquadJS是一个脚本框架，专为Squad服务器设计，旨在处理与服务器之间的所有通信和数据收集。 使用SquadJS作为任何脚本项目的基础，您可以轻松编写复杂的插件，而不必担心RCON或日志解析的麻烦。 但是，为方便起见，SquadJS随附了已为您构建的多个插件，使您可以立即体验SquadJS的功能。 使用SquadJS SquadJS依靠能够访问Squad服务器日志目录来实时解析日志以收集信息。 因此，SquadJS必须与Squad服务器托管在同一服务器上，或者必须通过FTP连接到Squad服务器。 先决条件 吉特 （14.x）- （1.22.0+版）- 一些插件可能有其他要求。 安装 并解压缩下载文件。 在终端中打开解压缩的文件夹。 通过在终端中运行yarn install依赖项。 由于使用了纱线工作区，因此必须使用yarn install而不是npm

小队控制面板（SQCP） 关于 Squad控制面板（ SQCP ）是一个简单的开源解决方案，用于利用和管理用 （ ）和 （ ）编写的Squad游戏服务器。 特征 认证（登录）系统 在线玩家管理（踢，禁，警告和团队切换玩家） 管理最近断开连接的播放器（禁止最近断开连接的播放器） 小队管理（解散小队） 服务器禁令的管理（添加，编辑或删除禁令）（仅超级管理员） 服务器角色（组）和管理员的管理（仅超级管理员） 面板管理员/用户的管理（仅超级管理员） RCON控制台（仅超级管理员） 操作日志（每个操作都被永久记录）（仅适用于超级管理员） 更改图层（尚未实施，待办事项） 两种类型的面板管理员帐户：超级管理员和普通管理员 单服务器支持（截至目前） 它不包括什么 服务器启动/重新启动（如果要在自己的计算机上托管服务器，或者托管的API可以添加它，则可以添加/启动） FTP（如果有足

介绍 MSMC ：极简阵容的迫击炮计算器 MSMC是一款适用于Squad的简单易用的眼砂浆计算器。 它无需花哨的地图，按钮和图标即可进行快速计算。 只需输入位置并拍摄即可。 特征 高程计算 MSMC使用Squad SDK中的高度图来计算迫击炮和目标之间的高度差，并自动调整高程。 如果您的目标是上山，MSMC将确保您不会浪费太近的1000弹药点20m。 高度图被隐藏：只需从列表中选择地图并拍摄即可。 用于计算的高度图示例（Gorodok和Tallil） 技术砂浆支持 您可以计算经典灰浆或全新的灰浆。 视觉指示 MSMC通过显示视觉指示来防止您输入错误的键盘： 定位范围太远 目标太近 目标不在地图上 太过分了！ 其他的东西 全面的键盘可用性：自动聚焦到迫击炮和弹片，可在迫击炮和目标之间切换 键盘格式：又名仅接受字母（如果还没有字母，数字和拒绝特殊字符） 谢谢 这个项目的灵感主要来自E

SQuAD（The Stanford Question Answering Dataset）是一组阅读数据集，该数据集基于群众在维基百科中提出的问题，其中每个问题的答案来自于对应阅读段落的一段文本，共计 500 多篇文章中的 10 万多个问答配对。 SQuAD 由斯坦福大学于 2018 年发布，相关论文有《Know What You Don’t Know: Unanswerable Questions for SQuAD》。

Standford Question Answering Dataset (SQuAD) is a reading comprehension dataset by Standford University and has two versions. 斯坦福问答数据集是由斯坦福大学创建的阅读理解数据集，有两个版本。 Know What You Don’t Know- Unanswerable Questions for SQuAD paper.pdf LUKE.pdf SQuAD1.1.pdf SQuAD_dev_datasets.zip SQuAD_train_datasets.zip SQuAD_datasets.txt

Match-LSTM和答案指针（Wang和Jiang，ICLR 2016） 此仓库尝试在同一张纸上重现2016年论文中的match-lstm和answer指针实验。 许多预处理锅炉代码来自Stanford CS224D。 代码的内容在qa_model.py中。 为了使代码正确，我不得不修改tensorflow的原始注意力机制实现。 给定一组段落，运行train.py训练模型，并运行qa_answer.py生成答案。 请通过与我联系以获取更多信息。 该代码还充当示例代码，展示了如何将tensorflow的注意力机制连接在一起。 截至2017年8月13日，此类示例在任何地方都不可用。 预处理

神经问题生成：学习提问 该项目旨在探索使用深层神经网络从阅读理解段落中的句子中自动生成问题。 我们可以将此任务解释为“问答”的相反目标，在给定句子和问题的情况下，我们可以构建算法来找到答案。 这里的目标是在输入句子的情况下生成一个问题，并可能给出一个答案。 可以考虑各种范例： 给定一个句子，就该句子生成一个问题。 这种范例与机器翻译中的操作非常接近，在机器翻译中给定了语言A的输入句子，我们打算将其翻译成语言B的相应句子。主要区别在于输出空间的大小，这是很大的由于可以从一个句子中创建大量的问题，因此对于QG来说更大。 给定一个句子和一个答案，句子中的跨度会产生一个关于句子的问题，我们可以通过给出的答案来回答。 与以前的范式的不同之处在于，这里可能产生的问题的输出空间要窄得多，因为它受答案的限制。 给定一个段落，该段落中的一个句子，该句子中的一个答案，就该句子产生一个问题，该问题可以

NLP问题解答系统 斯坦福大学SQuAD数据集上的NLP项目 回答信息检索和自然语言处理（NLP）领域的问题，该问题与构建自动化系统有关，该系统以自然语言回答人类提出的问题。 有两种类型的系统； 封闭域质量检查和开放域质量检查。 封闭域质量检查与构建可回答特定领域问题的系统有关。 因此，给定一段文本，我们希望开发能够回答该特定文本问题的系统。 开放域质量保证可以处理几乎所有问题，并且可以依靠一般本体论和世界知识。 这些系统通常具有更多可用于提取答案的数据。 在此任务中，我们关注的是封闭域质量检查。 现代系统中的问题类型： Factoid问题：罗浮宫在哪里？ 复杂的问题：学者们对杰斐逊在与海盗打交道方面的立场有何看法？ 我们对此任务中的Factoid问题感兴趣。 我创建了一个自动的封闭域质量检查系统，该系统能够为有关所提供文本的人类问题提供正确且难以理解的答案。 应该给最终