基于BERT模型的自然语言处理实战
全新正版 极速发货
￥ 80.99 5.9折 ￥ 138 全新
库存8件
作者李金洪
出版社电子工业
ISBN9787121414084
出版时间2023-01
装帧平装
开本16开
定价138元
货号1202803110
上书时间2024-06-02
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
李金洪，擅长神经网络、算法、协议分析、逆向、移动互联网安全架构等技术；先后担任过CAD算法工程师、手机游戏主程、架构师、项目经理、CTO、部门经理、资深产品总监等职位，目前创业中。
目录
目 录
★★第1篇 入门――基础知识与编程框架
第1章 BERT模型很强大，你值得拥有 /2
★1.1 全球欢腾，喜迎BERT模型 /2
★1.2 为什么BERT模型这么强 /3
★1.3 怎么学习BERT模型 /4
1.3.1 BERT模型的技术体系 /4
1.3.2 学好自然语言处理的4件套――神经网络的基础知识、NLP的基础知识、编程框架的使用、BERT模型的原理及应用 /4
1.3.3 学习本书的前提条件 /5
★1.4 自然语言处理的技术趋势 /5
1.4.1 基于超大规模的高精度模型 /6
1.4.2 基于超小规模的高精度模型 /6
1.4.3 基于小样本训练的模型 /6
第2章 神经网络的基础知识――可能你掌握得也没有那么牢 /7
★2.1 什么是神经网络 /7
2.1.1 神经网络能解决哪些问题 /7
2.1.2 神经网络的发展 /7
2.1.3 什么是深度学习 /8
2.1.4 什么是图神经网络 /8
2.1.5 什么是图深度学习 /9
★2.2 神经网络的工作原理 /10
2.2.1 了解单个神经元 /10
2.2.2 生物神经元与计算机神经元模型的结构相似性 /12
2.2.3 生物神经元与计算机神经元模型的工作流程相似性 /12
2.2.4 神经网络的形成 /13
★2.3 深度学习中包含了哪些神经网络 /13
2.3.1 全连接神经网络 /13
2.3.2 卷积神经网络 /17
2.3.3 循环神经网络 /23
2.3.4 带有注意力机制的神经网络 /30
2.3.5 自编码神经网络 /34
★2.4 图深度学习中包含哪些神经网络 /36
2.4.1 同构图神经网络 /37
2.4.2 异构图神经网络 /37
★2.5 激活函数――加入非线性因素，以解决线性模型的缺陷 /38
2.5.1 常用的激活函数 /38
2.5.2 更好的激活函数――Swish()与Mish() /41
2.5.3 更适合NLP任务的激活函数――GELU() /43
2.5.4 激活函数总结 /44
2.5.5 分类任务与Softmax算法 /44
★2.6 训练模型的原理 /45
2.6.1 反向传播与BP算法 /47
2.6.2 神经网络模块中的损失函数 /49
2.6.3 学习率 /50
2.6.5 优化器 /51
2.6.6 训练模型的相关算法，会用就行 /52
★2.7 【实例】用循环神经网络实现退位减法 /52
★2.8 训练模型中的常见问题及优化技巧 /56
2.8.1 过拟合与欠拟合问题 /56
2.8.2 改善模型过拟合的方法 /56
2.8.3 了解正则化技巧 /57
2.8.4 了解Dropout技巧 /57
2.8.5 Targeted Dropout与Multi-sample Dropout /58
2.8.6 批量归一化（BN）算法 /59
2.8.7 多种BN算法的介绍与选取 /64
2.8.8 全连接网络的深浅与泛化能力的联系 /64
第3章 NLP的基础知识――NLP没那么“玄” /65
★3.1 NLP的本质与原理 /65
3.1.1 情感分析、相似度分析等任务的本质 /65
3.1.2 完形填空、实体词识别等任务的本质 /66
3.1.3 文章摘要任务、问答任务、翻译任务的本质 /67
★3.2 NLP的常用工具 /68
3.2.1 自然语言处理工具包――SpaCy /68
3.2.2 中文分词工具――Jieba /69
3.2.3 中文转拼音工具――Pypinyin /69
3.2.4 评估翻译质量的算法库――SacreBLEU /70
★3.3 计算机中的字符编码 /70
3.3.1 什么是ASCII编码 /71
3.3.2 为什么会出现乱码问题 /71
3.3.3 什么是Unicode /71
3.3.4 借助Unicode 处理中文字符的常用操作 /73
★3.4 计算机中的词与句 /74
3.4.1 词表与词向量 /75
3.4.2 词向量的原理及意义 /75
3.4.3 多项式分布 /76
3.4.4 什么是依存关系分析 /77
3.4.5 什么是TF /79
3.4.6 什么是IDF /79
3.4.7 什么是TF-IDF /80
3.4.8 什么是BLEU /80
★3.5 什么是语言模型 /81
3.5.1 统计语言模型 /81
3.5.2 CBOW与Skip-Gram语言模型 /81
3.5.3 自编码（Auto Encoding，AE）语言模型 /82
3.5.4 自回归（Auto Regressive，AR）语言模型 /83
★3.6 文本预处理的常用方法 /83
3.6.1 NLP数据集的获取与清洗 /83
3.6.2 基于马尔可夫链的数据增强 /84
第4章 搭建编程环境――从安装开始，更适合零基础入门 /87
★4.1 编程框架介绍 /87
4.1.1 PyTorch介绍 /87
4.1.2 DGL库介绍 /88
4.1.3 支持BERT模型的常用工具库介绍 /89
★4.2 搭建Python开发环境 /89
★4.3 搭建PyTorch开发环境 /91
★4.4 搭建DGL环境 /95
★4.5 安装Transformers库 /96
第2篇 基础――神经网络与BERT模型
第5章 PyTorch编程基础 /100
★5.1 神经网络中的基础数据类型 /100
★5.2 矩阵运算的基础 /101
5.2.1 转置矩阵 /101
5.2.2 对称矩阵及其特性 /101
5.2.3 对角矩阵与单位矩阵 /101
5.2.4 阿达玛积（Hadamard Product） /102
5.2.5 点积（Dot Product） /102
5.2.6 对角矩阵的特性与操作方法 /103
★5.3 PyTorch中的张量 /104
5.3.1 定义张量的方法 /105
5.3.2 生成随机值张量 /107
5.3.3 张量的基本操作 /108
5.3.4 在CPU和GPU控制的内存中定义张量 /112
5.3.5 张量间的数据操作 /113
★5.4 Variable类型与自动微分模块 /118
5.4.1 Variable对象与Tensor对象之间的转换 /118
5.4.2 控制梯度计算的方法 /119
5.4.3 Variable对象的属性 /121
★5.5 【实例】用PyTorch实现一个简单模型 /124
5.5.1 准备可复现的随机数据 /124
5.5.2 实现并训练模型 /125
5.5.3 可视化模型能力 /128
★5.6 定义模型结构的常用方法 /129
5.6.1 Module类的使用方法 /129
5.6.2 模型中的参数（Parameters变量） /131
5.6.3 为模型添加参数 /132
5.6.4 从模型中获取参数 /133
5.6.5 激活模型接口 /135
5.6.6 L2正则化接口 /136
5.6.7 Dropout接口 /136
5.6.8 批量归一化接口 /137
5.6.9 【实例】手动实现BN的计算方法 /139
★5.7 保存与载入模型的常用方法 /141
★5.8 训练模型的接口与使用 /143
5.8.1 选取训练模型中的损失函数 /143
5.8.2 【实例】Softmax接口的使用 /144
5.8.3 优化器的使用与优化参数的查看 /146
5.8.4 用退化学习率训练模型 /147
5.8.5 为模型添加钩子函数 /152
5.8.6 多显卡的训练方法 /153
5.8.7 梯度累加的训练方法 /153
★5.9 处理数据集的接口与使用 /154
5.9.1 用DataLoader类实现自定义数据集 /155
5.9.2 DataLoader类中的多种采样器子类 /155
5.9.3 Torchtext工具与内置数据集 /156
★5.10 【实例】训练中文词向量 /157
5.10.1 用Jieba库进行中文样本预处理 /158
5.10.2 按照Skip-Gram规则制作数据集 /159
5.10.3 搭建模型并进行训练 /161
5.10.4 夹角余弦值介绍 /164
★5.11 卷积神经网络的实现 /166
5.11.1 了解卷积接口 /166
5.11.2 卷积操作的类型 /168
5.11.3 卷积参数与卷积结果的计算规则 /169
5.11.4 【实例】卷积函数的使用 /169
5.11.5 了解池化接口 /174
5.11.6 【实例】池化函数的使用 /175
★5.12 【实例】用卷积神经网络实现文本分类任务 /177
5.12.1 了解用于文本分类的卷积网络――TextCNN模型 /177
5.12.2 编写代码实现实例 /179
5.12.3 用多GPU并行训练模型 /184
5.12.4 在多GPU的训练过程中，保存/读取模型文件的注意事项 /185
5.12.5 处理显存残留问题 /186
★5.13 RNN的实现 /187
5.13.1 LSTM与GRU接口的实现 /187
5.13.2 多项式分布采样接口 /188
★5.14 【实例】用RNN训练语言模型 /189
5.14.1 实现语言模型的思路与步骤 /189
5.14.2 准备样本与代码实现 /189
★5.15 【实例】手动实现一个带有自注意力机制的模型 /192
★5.16 【实例】利用带注意力机制的循环神经网络对文本进行分类 /194
5.16.1 制作等长数据集并实现LSTM模型 /194
5.16.2 用梯度剪辑技巧优化训练过程 /195
第6章 BERT模型的原理 /197
★6.1 BERT模型的起源――Transformer模型 /197
6.1.1 Transformer模型出现之前的主流模型 /197
6.1.2 Transformer模型的原理 /199
6.1.3 Transformer模型的优缺点 /204
★6.2 【实例】用Transformer模型进行中/英文翻译 /204
★6.3 BERT模型的原理 /206
6.3.1 BERT模型的训练过程 /207
6.3.2 BERT模型的预训练方法 /207
6.3.3 BERT模型的掩码机制 /208
6.3.4 BERT模型的训练参数 /210
6.3.5 BERT模型的缺点 /210
★6.4 高精度的BERTology系列模型 /211
6.4.1 适合生成文章的模型――GPT模型 /211
6.4.2 支持人机对话的模型――DialoGPT模型 /212
6.4.3 融合了BERT模型与GPT技术的模型――MASS模型 /212
6.4.4 支持长文本输入的模型――Transformer-XL模型 /212
6.4.5 支持更长文本的模型――XLNet模型 /213
6.4.6 弥补XLNet模型不足的模型――MPNet模型 /217
6.4.7 稳健性更好的模型――RoBERTa模型 /217
6.4.8 使用了稀疏注意力的模型――Longformer、BigBird模型 /218
6.4.9 基于词掩码的模型――BERT-WWM、Wo BERT等模型 /220
6.4.10 基于小段文字掩码的模型――SpanBERT模型 /220
6.4.11 适合翻译任务的模型――T5模型 /221
6.4.12 支持多种语言的翻译模型――XLM、XLM-Roberta模型 /222
6.4.13 既能阅读又能写作的模型――UniLM 2.0模型 /223
6.4.14 适用于语法纠错任务的模型――StructBERT、Bart模型 /224
6.4.15 可以进行定向写作的模型――CTRL模型 /225
6.4.16 适合摘要生成的模型――PEGASUS模型 /226
6.4.17 支持更多语言的模型――T-ULR V2模型 /227
★6.5 小规模的BERTology系列模型 /227
6.5.1 比RoBERTa模型训练速度更快的模型――ELECTRA模型 /228
6.5.2 适用于文本分类的超小模型――PRADO、pQRNN模型 /229
6.5.3 比BERT模型更适合于部署场景的模型――DistillBERT模型 /231
6.5.4 比BERT模型更快的模型――FastBERT模型 /232
6.5.5 带有通用蒸馏方案的模型――MiniLM模型 /233
6.5.6 精简版的BERT模型――ALBERT、ALBERT_tiny、
ALBERT V2模型 /234
★6.6 BERTology系列模型的预训练方法总结 /237
6.6.1 AE式训练方法的常用策略 /237
6.6.2 更多的训练经验 /237
第7章 BERT模型的快速应用――BERT模型虽然强大，使用却不复杂！ /239
★7.1 了解Transformers库 /239
★7.2 Transformers库的3层应用结构 /240
★7.3 【实例】用Transformers库的管道方式完成多种NLP任务 /241
7.3.1 在管道方式中指定NLP任务 /241
7.3.2 代码实现：完成文本分类任务 /242
7.3.3 代码实现：完成特征提取任务 /243
7.3.4 代码实现：完成完形填空任务 /244
7.3.5 代码实现：完成阅读理解任务 /245
7.3.6 代码实现：完成摘要生成任务 /247
7.3.7 预训练模型文件的组成与其加载时的固定名称 /248
7.3.8 代码实现：完成实体词识别任务 /248
7.3.9 管道方式的工作原理 /249
7.3.10 在管道方式中应用指定模型 /251
★7.4 Transformers库中的自动模型（AutoModel）类 /252
7.4.1 各种AutoModel类 /252
7.4.2 AutoModel类的模型加载机制 /253
7.4.3 Transformers库中的其他语言模型 /254
★7.5 Transformers库中的BERTology系列模型 /255
7.5.1 Transformers库的文件结构 /255
7.5.2 获取和加载预训练模型文件 /257
7.5.3 查找Transformers库中可以使用的模型 /260
7.5.4 【实例】用BERT模型实现完形填空任务 /261
7.5.5 【扩展实例】用自动模型类替换BertForMaskedLM类 /264
★7.6 Transformers库中的词表工具 /264
7.6.1 PreTrainedTokenizer类中的特殊词 /265
7.6.2 PreTrainedTokenizer类中的特殊词的使用 /266
7.6.3 向PreTrainedTokenizer类中添加词 /269
7.6.4 【实例】用手动加载GPT-2模型权重的方式将句子补充完整 /270
7.6.5 子词拆分 /274
★7.7 【实例】用迁移学习训练BERT模型来对中文分类 /275
7.7.1 NLP中的迁移学习 /275
7.7.2 构建数据集 /277
7.7.3 构建并加载BERT模型的预训练模型 /279
7.7.4 Transformers库中的底层类 /280
7.7.5 用退化学习率训练模型 /281
7.7.6 用数据增强方法训练模型 /282
第8章 模型的可解释性――深入模型内部，探究其工作的根源 /283
★8.1 模型的可解释库 /283
8.1.1 了解Captum库 /283
8.1.2 Captum库的可视化工具――Captum Insights /284
★8.2 什么是梯度积分方法 /284
★8.3 【实例】对NLP模型的可解释性分析 /284
8.3.1 分析词嵌入模型 /284
8.3.2 拆解NLP模型的处理过程 /285
8.3.3 用Captum库提取NLP模型的词嵌入层 /286
8.3.4 用梯度积分的方法计算模型的可解释性 /287
8.3.5 可视化模型的可解释性 /289
★8.4 【实例】BERT模型的可解释性分析 /291
8.4.1 了解BERT模型的可解释性工具――Bertviz /291
8.4.2 用Bertviz工具可视化BERT模型的权重 /292
8.4.3 分析BERT模型的权重参数 /296
★8.5 用图神经网络解释BERT模型 /300
8.5.1 点积计算与聚合计算的关系 /300
8.5.2 从图的角度思考BERT模型 /302
★★第3篇 BERT模型实战
第9章 图神经网络与BERT模型的结合 /306
★9.1 图神经网络基础 /306
9.1.1 图的相关术语和操作 /306
9.1.2 图卷积神经网络 /310
★9.2 DGL库的使用方法 /314
9.2.1 创建图结构 /314
9.2.2 DGL库与NetWorkx库的相互转换 /316
9.2.3 图的基本操作 /319
9.2.4 图的消息传播机制 /322
9.2.5 DGL库中的多图处理 /324
★9.3 【实例】用图节点的聚合方法实现BERT模型 /325
9.3.1 基于Transformers库的BERT模型修改方案 /325
9.3.2 实现图节点聚合的核心代码 /326
9.3.3 将原BERT模型的权重应用到基于图节点聚合方法实现的
BERT模型上 /327
★9.4 什么是关系图卷积网络（R-GCN）模型 /329
9.4.1 R-GCN模型的原理 /329
9.4.2 基于R-GCN模型的优化 /330
9.4.3 R-GCN模型的实现 /330
★9.5 【实例】用R-GCN模型理解文本中的代词 /332
9.5.1 代词数据集（GAP）介绍 /332
9.5.2 将GAP数据集转换成“图”结构数据的思路 /333
9.5.3 用BERT模型提取代词特征 /335
9.5.4 用BERT模型提取其他词特征 /337<
相关推荐
-
基于BERT模型的自然语言处理实战
全新保定
￥ 91.08
-
基于BERT模型的自然语言处理实战
全新保定
￥ 62.10
-
基于BERT模型的自然语言处理实战
全新广州
￥ 62.44
-
基于BERT模型的自然语言处理实战
全新保定
￥ 60.90
-
基于BERT模型的自然语言处理实战
全新廊坊
￥ 86.18
-
基于BERT模型的自然语言处理实战
全新天津
￥ 65.33
-
基于BERT模型的自然语言处理实战
全新天津
￥ 66.24
-
基于BERT模型的自然语言处理实战
全新廊坊
￥ 52.44
-
基于BERT模型的自然语言处理实战
全新廊坊
￥ 52.44
-
基于BERT模型的自然语言处理实战
全新北京
￥ 73.14
— 没有更多了 —
以下为对购买帮助不大的评价