歡迎光臨中圖網(wǎng) 請 | 注冊
> >
深度學習自然語言處理實戰(zhàn)

深度學習自然語言處理實戰(zhàn)

出版社:機械工業(yè)出版社出版時間:2020-08-01
開本: 26cm 頁數(shù): 188頁
中 圖 價:¥19.2(3.2折) 定價  ¥59.9 登錄后可看到會員價
加入購物車 收藏
運費6元,滿39元免運費
?新疆、西藏除外
溫馨提示:5折以下圖書主要為出版社尾貨,大部分為全新(有塑封/無塑封),個別圖書品相8-9成新、切口
有劃線標記、光盤等附件不全詳細品相說明>>
本類五星書更多>
買過本商品的人還買了

深度學習自然語言處理實戰(zhàn) 版權信息

  • ISBN:9787111660149
  • 條形碼:9787111660149 ; 978-7-111-66014-9
  • 裝幀:一般膠版紙
  • 冊數(shù):暫無
  • 重量:暫無
  • 所屬分類:>

深度學習自然語言處理實戰(zhàn) 本書特色

適讀人群 :IT程序設計、人工智能、大數(shù)據(jù)、系統(tǒng)架構、機器人開發(fā)領域從業(yè)人員本書介紹了當前NLP的研究熱點,如預訓練模型、知識的引入、遷移學習、低資源任務學習、多模態(tài)學習等,內(nèi)容介紹上由淺入深,從基礎環(huán)境安裝,到理論講解,再到數(shù)學推導,然后解釋各個模型的優(yōu)缺點,*后還有應用場景介紹和代碼實戰(zhàn)。

深度學習自然語言處理實戰(zhàn) 內(nèi)容簡介

本書共8章, 主要介紹自然語言處理任務中的深度學習技術, 包含深度學習理論基礎、深度學習的軟件框架、語言模型與詞向量、序列模型與梯度消失/爆炸、卷積神經(jīng)網(wǎng)絡在NLP領域的應用、Seq2Seq模型與Attention機制、大規(guī)模預訓練模型、預訓練語言模型BERT, 還給出了自然語言處理技術的高級應用和開發(fā)實例, 并收錄了基于PyTorch深度學習框架的部分實踐項目。

深度學習自然語言處理實戰(zhàn) 目錄

◆ 目錄:◆

前言
第1章深度學習理論基礎
1.1深度學習概況
1.1.1深度學習的歷史
1.1.2“無所不能”的深度學習
1.2深度學習神經(jīng)網(wǎng)絡
1.2.1神經(jīng)網(wǎng)絡
1.2.2隱藏層
1.2.3梯度下降
1.2.4激活函數(shù)
1.2.5權重初始化
1.2.6正則化
1.2.7歸一化
第2章深度學習的軟件框架
2.1環(huán)境配置
2.1.1Anaconda
2.1.2英偉達GPU驅動+CUDA+cuDNN
2.1.3PyTorch安裝
2.1.4Python IDE選擇
2.2PyTorch 入門
2.2.1Tensor基本概念
2.2.2Tensor的運算
2.3PyTorch自動求梯度
2.3.1基本概念
2.3.2Tensor樣例
2.3.3梯度計算
2.4PyTorch nn模塊
第3章語言模型與詞向量
3.1語言模型
3.1.1無處不在的語言模型
3.1.2神經(jīng)網(wǎng)絡語言模型
3.2詞向量
3.2.1one-hot
3.2.2word2vec
3.2.3GloVe
3.3代碼實戰(zhàn)
3.3.1任務1:應用PyTorch搭建Skip-Gram
3.3.2任務2:基于GloVe的大規(guī)模中文語料的詞向量訓練
第4章序列模型與梯度消失/爆炸
4.1循環(huán)神經(jīng)網(wǎng)絡
4.1.1模型結構及計算過程
4.1.2應用PyTorch搭建并訓練RNN模型
4.2梯度消失與爆炸
4.2.1產(chǎn)生原因
4.2.2解決方法
4.3改進方法
4.3.1LSTM
4.3.2GRU
4.4代碼實戰(zhàn):搭建LSTM/GRU的文本分類器
第5章卷積神經(jīng)網(wǎng)絡在NLP領域的應用
5.1卷積神經(jīng)網(wǎng)絡的概念
5.1.1輸入層
5.1.2卷積層
5.1.3池化層
5.1.4全連接層
5.2空洞卷積神經(jīng)網(wǎng)絡
5.2.1空洞卷積的基本定義
5.2.2空洞卷積在NLP中的應用
5.2.3空洞卷積相關代碼
5.2.4多層卷積
5.3代碼實戰(zhàn):CNN情感分類實戰(zhàn)
5.3.1數(shù)據(jù)處理
5.3.2程序主干部分
5.3.3模型部分
5.3.4模型訓練與評估
第6章Seq2Seq模型與Attention機制
6.1Encoder-Decoder結構
6.1.1Encoder
6.1.2Decoder
6.1.3Encoder-Decoder存在的問題
6.2Attention機制
6.3Seq2Seq訓練與預測
6.3.1模型訓練
6.3.2模型預測
6.3.3BLEU模型評估法
6.4代碼實戰(zhàn):應用PyTorch搭建機器翻譯模型
第7章大規(guī)模預訓練模型
7.1ELMo
7.1.1模型結構
7.1.2模型效果
7.1.3ELMo的優(yōu)點
7.1.4利用ELMo+CNN進行分類的示例
7.2Transformer
7.2.1Encoder端及Decoder端總覽
7.2.2Encoder端各個子模塊
7.2.3Decoder端各個子模塊
7.2.4其他模塊
7.2.5完整模型
第8章預訓練語言模型BERT
8.1BERT的基本概念
8.2BERT的工作原理
8.2.1BERT的預訓練
8.2.2BERT模型結構
8.2.3BERT的微調(diào)
8.3BERT的可解釋性
8.4其他預訓練模型
8.4.1XLNet
8.4.2RoBERTa
8.4.3ALBERT
8.5代碼實戰(zhàn):預訓練模型
參考文獻


展開全部
商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服