rm pic

chapter_recurrent-neural-networks/bi-rnn.md

@@ -23,7 +23,7 @@ $$\boldsymbol{O}_t = \boldsymbol{H}_t \boldsymbol{W}_{hy} + \boldsymbol{b}_y,$$
 
 双向循环神经网络架构如图6.4所示。和前面介绍的单向循环神经网络不同，给定一段时间序列，双向循环神经网络在每个时间步的隐藏状态同时取决于该时间步之前和之后的子序列（包括当前时间步的输入），并可能捕捉了整个序列的信息。
 
-![双向循环神经网络架构。](../img/bi-rnn.svg)
+[ti]
 
 
 我们将在“自然语言处理”篇章中应用并实验双向循环神经网络。

chapter_recurrent-neural-networks/index.md

@@ -18,5 +18,6 @@
    gru-scratch
    lstm-scratch
    deep-rnn
+   bi-rnn
    rnn-gluon
 ```