深度学习自然语言处理实战

图书标准信息

• 作者 开课吧、张楠、苏南、王贵阳 著
• 出版社 机械工业出版社
• 出版时间 2020-09
• 版次 1
• ISBN 9787111660149
• 定价 59.90元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 200页
• 字数 303千字

【内容简介】

   近年来，基于深度学习方法的自然语言处理（NLP）已逐渐成为主流。本书共8章，主要介绍自然语言处理任务中的深度学习技术，包含深度学习理论基础、深度学习的软件框架、语言模型与词向量、序列模型与梯度消失/爆炸、卷积神经网络在NLP领域的应用、Seq2Seq模型与Attention机制、大规模预训练模型、预训练语言模型BERT，还给出了自然语言处理技术的高级应用和开发实例，并收录了基于PyTorch深度学习框架的部分实践项目。
   本书既可作为人工智能、计算机科学、电子信息工程、自动化等专业的本科生及研究生教材，也可作为自然语言处理相关领域的研究人员和技术人员的参考资料。

 

 

 

【作者简介】

【目录】

◆ 目录：◆

 

  

 

 

 

前言
   第1章深度学习理论基础
   1.1深度学习概况
   1.1.1深度学习的历史
   1.1.2“无所不能”的深度学习
   1.2深度学习神经网络
   1.2.1神经网络
   1.2.2隐藏层
   1.2.3梯度下降
   1.2.4激活函数
   1.2.5权重初始化
   1.2.6正则化
   1.2.7归一化
   第2章深度学习的软件框架
   2.1环境配置
   2.1.1Anaconda
   2.1.2英伟达GPU驱动+CUDA+cuDNN
   2.1.3PyTorch安装
   2.1.4Python IDE选择
   2.2PyTorch 入门
   2.2.1Tensor基本概念
   2.2.2Tensor的运算
   2.3PyTorch自动求梯度
   2.3.1基本概念
   2.3.2Tensor样例
   2.3.3梯度计算
   2.4PyTorch nn模块
   第3章语言模型与词向量
   3.1语言模型
   3.1.1无处不在的语言模型
   3.1.2神经网络语言模型
   3.2词向量
   3.2.1one-hot
   3.2.2word2vec
   3.2.3GloVe
   3.3代码实战
   3.3.1任务1:应用PyTorch搭建Skip-Gram
   3.3.2任务2:基于GloVe的大规模中文语料的词向量训练
   第4章序列模型与梯度消失/爆炸
   4.1循环神经网络
   4.1.1模型结构及计算过程
   4.1.2应用PyTorch搭建并训练RNN模型
   4.2梯度消失与爆炸
   4.2.1产生原因
   4.2.2解决方法
   4.3改进方法
   4.3.1LSTM
   4.3.2GRU
   4.4代码实战：搭建LSTM/GRU的文本分类器
   第5章卷积神经网络在NLP领域的应用
   5.1卷积神经网络的概念
   5.1.1输入层
   5.1.2卷积层
   5.1.3池化层
   5.1.4全连接层
   5.2空洞卷积神经网络
   5.2.1空洞卷积的基本定义
   5.2.2空洞卷积在NLP中的应用
   5.2.3空洞卷积相关代码
   5.2.4多层卷积
   5.3代码实战：CNN情感分类实战
   5.3.1数据处理
   5.3.2程序主干部分
   5.3.3模型部分
   5.3.4模型训练与评估
   第6章Seq2Seq模型与Attention机制
   6.1Encoder-Decoder结构
   6.1.1Encoder
   6.1.2Decoder
   6.1.3Encoder-Decoder存在的问题
   6.2Attention机制
   6.3Seq2Seq训练与预测
   6.3.1模型训练
   6.3.2模型预测
   6.3.3BLEU模型评估法
   6.4代码实战：应用PyTorch搭建机器翻译模型
   第7章大规模预训练模型
   7.1ELMo
   7.1.1模型结构
   7.1.2模型效果
   7.1.3ELMo的优点
   7.1.4利用ELMo+CNN进行分类的示例
   7.2Transformer
   7.2.1Encoder端及Decoder端总览
   7.2.2Encoder端各个子模块
   7.2.3Decoder端各个子模块
   7.2.4其他模块
   7.2.5完整模型
   第8章预训练语言模型BERT
   8.1BERT的基本概念
   8.2BERT的工作原理
   8.2.1BERT的预训练
   8.2.2BERT模型结构
   8.2.3BERT的微调
   8.3BERT的可解释性
   8.4其他预训练模型
   8.4.1XLNet
   8.4.2RoBERTa
   8.4.3ALBERT
   8.5代码实战：预训练模型
   参考文献