普通的RNN只能依据之前时刻的时序信息来预测下一时刻的输出，但在有些问题中，当前时刻的输出不仅和之前的状态有关，还可能和未来的状态有关系。
比如预测一句话中缺失的单词不仅需要根据前文来判断，还需要考虑它后面的内容，真正做到基于上下文判断。
BRNN有两个RNN上下叠加在一起组成的，输出由这两个RNN的状态共同决定。
从前往后：从1到t时刻正向计算，得到并保存每个时刻的隐藏层的输出向后传播
从后往前：从t时刻向1反向传播，得到并保存每个时刻向后隐藏层的输出
对于每个时刻t，输入会同时提供给两个方向相反的RNN。
计算过程是，先从前往后计算h_1、h_2...，h_t，再从后往前计算，最终得到两个隐状态
完整的隐藏状态是把前向和后向的隐藏状态拼接起来
如果前向和后向的隐状态都是1000*1维的，拼接后的就是1000*2维的
输出由这两个单向RNN共同决定：
注意：
双向RNN需要保存两个方向的权重矩阵，所以需要的内存约为RNN的两倍。
两条RNN完全独立，不共享参数也不共享状态
参考：(46条消息) Keras学习：05.RNN和双向RNN讲解及实践_AI学习社的博客-CSDN博客_双向rnn
41-双向循环神经网络和代码实现-自然语言处理-pytorch_哔哩哔哩_bilibili
RNN模型与NLP应用(5/9)：多层RNN、双向RNN、预训练_哔哩哔哩_bilibili
(46条消息) （五）通俗易懂理解——双向LSTM_Dreamdreams8的博客-CSDN博客_双向lstm
(46条消息) 一幅图真正理解LSTM、BiLSTM_⊙月的博客-CSDN博客_bilstm