BiLstm(tf) maybe have mistake

calculate attention_score
`
# Attention
outputs = tf.concat([output[0], output[1]], 2) # output[0] : lstm_fw, output[1] : lstm_bw
outputs = tf.transpose(outputs, [1, 0, 2]) # [n_step, batch_size, n_hidden]
# 只用了最后一个步长的输出
final_hidden_state = outputs[-1]
output_all = tf.concat([output[0], output[1]], 2)
final_hidden_state = tf.expand_dims(final_hidden_state, 2)
attn_weights = tf.squeeze(tf.matmul(output_all, final_hidden_state), 2) `

首先定位 BiLstm(tf) 的实现，并检查所示的 attention-score 计算，尤其是最终 hidden state 和张量维度。验证得到的 attention weights 是否符合双向 LSTM 预期的 attention 行为；如果确认存在所怀疑的错误，则解决并修正该错误后即视为完成。

由索引模型根据 Issue 内容生成。