0人評分過此書
深度序列模型与自然语言处理：基于TensorFlow 2实践
作者
：
出版日期
：
2023/05/01
閱讀格式
：
EPUB
ISBN
：
9787302629610
本書收錄於此書展...
- 封面页
- 书名页
- 版权页
- 内容简介
- 作者简介
- 前言
- 目录
-
第1章 深度学习与自然语言处理概述
-
1.1 自然语言处理简史
-
1.1.1 自然语言处理能做什么
-
1.1.2 自然语言处理的发展史
-
-
1.2 深度学习的兴起
-
1.2.1 从机器学习到深度学习
-
1.2.2 深度学习框架
-
1.2.3 TensorFlow 2程序样例
-
-
-
第2章 词向量的前世今生
-
2.1 文本预处理的流程
-
2.2 前深度学习时代的词向量
-
2.2.1 独热向量
-
2.2.2 分布式表示
-
-
2.3 深度学习时代的词向量
-
2.3.1 词向量的分类
-
2.3.2 可视化词向量
-
2.3.3 词向量在下游任务中的使用
-
-
2.4 Word2vec数学原理
-
2.4.1 语言模型及其评价
-
2.4.2 神经网络概率语言模型
-
2.4.3 Word2vec原理
-
-
2.5 用TensorFlow实现Word2vec
-
2.5.1 数据准备
-
2.5.2 模型构建及训练
-
2.5.3 词向量评估与Gensim实践
-
-
-
第3章 循环神经网络之一：输入和输出
-
3.1 循环神经网络的输入和输出
-
3.1.1 循环神经网络的状态与输出
-
3.1.2 输入和输出一一对应
-
3.1.3 一对多和多对一
-
3.1.4 任意长度的输入和输出
-
-
3.2 区分RNN和RNNCell
-
3.2.1 基类Layer
-
3.2.2 RNNCell接口
-
3.2.3 RNN接口
-
-
3.3 简单循环神经网络实例
-
3.4 三种常见的RNN
-
3.4.1 SimpleRNN
-
3.4.2 LSTM
-
3.4.3 GRU
-
-
3.5 双向和多层RNN
-
3.5.1 双向RNN
-
3.5.2 单向多层RNN
-
3.5.3 双向多层RNN
-
-
-
第4章 循环神经网络之二：高级
-
4.1 在RNN中使用Dropout
-
4.1.1 全连接层中的Dropout
-
4.1.2 RNN中的Dropout
-
-
4.2 RNN中的梯度流动
-
4.2.1 时序反向传播算法
-
4.2.2 LSTM的梯度流
-
-
4.3 RNN中的归一化方法
-
4.3.1 批归一化
-
4.3.2 层归一化
-
-
-
第5章 循环神经网络之三：实战技巧
-
5.1 序列分类
-
5.1.1 MNIST数字图像分类
-
5.1.2 变长序列处理与情感分析
-
-
5.2 超长序列的处理
-
5.2.1 状态传递与数据准备
-
5.2.2 字符级语言模型
-
-
5.3 序列标注和条件随机场
-
5.3.1 IOB格式
-
5.3.2 CONLL2003命名实体识别
-
5.3.3 条件随机场
-
-
5.4 中间层输出的提取
-
-
第6章 序列到序列问题
-
6.1 序列到序列问题概述
-
6.1.1 序列到序列问题的两个代表
-
6.1.2 三种序列到序列模型
-
-
6.2 CTC
-
6.2.1 CTC模型结构
-
6.2.2 长短序列的转换
-
6.2.3 计算标签序列的概率
-
6.2.4 CTC的推断算法
-
6.2.5 CTC的缺陷
-
6.2.6 TensorFlow中的CTC
-
-
6.3 Transducer
-
6.3.1 Transducer模型结构
-
6.3.2 Transducer的对齐网格
-
6.3.3 Transducer的训练算法
-
6.3.4 Transducer模型的推断
-
6.3.5 Transducer的贪心解码算法
-
6.3.6 Transducer的集束搜索解码算法
-
-
6.4 编码器-解码器架构
-
6.4.1 编码器-解码器架构简介
-
6.4.2 编码器-解码器架构代码示例
-
6.4.3 编码器-解码器架构的其他应用
-
-
6.5 文本生成问题的数据处理流程
-
-
第7章 注意力机制
-
7.1 编码器-解码器-注意力架构概述
-
7.2 两种注意力机制的具体实现
-
7.2.1 加性注意力
-
7.2.2 乘性注意力
-
7.2.3 对注意力机制的理解
-
-
7.3 TensorFlow中的注意力机制
-
7.3.1 熟悉tfa.seq2seq
-
7.3.2 注意力模块的引入
-
-
7.4 注意力机制的其他应用
-
-
第8章 超越序列表示：树和图
-
8.1 自然语言中的树结构
-
8.2 递归神经网络：TreeLSTM
-
8.2.1 递归神经网络简介
-
8.2.2 TreeLSTM两例
-
8.2.3 N元树形LSTM的TensorFlow实现
-
-
8.3 树形LSTM的其他问题
-
8.3.1 树形递归
-
8.3.2 动态批处理
-
8.3.3 结构反向传播算法
-
8.3.4 树形LSTM的必要性
-
-
8.4 图与自然语言处理
-
8.4.1 LSTM的其他拓展
-
8.4.2 图神经网络的应用
-
-
-
第9章 卷积神经网络
-
9.1 离散卷积的定义
-
9.1.1 卷积的维度
-
9.1.2 卷积的参数
-
-
9.2 卷积神经网络的两个实例
-
9.2.1 文本分类与TextCNN
-
9.2.2 语音合成与WaveNet
-
-
-
第10章 Transformer
-
10.1 Transformer模型结构介绍
-
10.1.1 注意力层
-
10.1.2 前馈神经网络层
-
10.1.3 残差连接与层归一化
-
10.1.4 位置信息的引入
-
10.1.5 Transformer整体结构
-
-
10.2 Transformer：实现与思考
-
10.2.1 从零实现Transformer
-
10.2.2 训练和推断
-
10.2.3 关于Transformer模块的反思
-
-
10.3 Transformer模型的拓展
-
10.3.1 平方复杂度与显存优化
-
10.3.2 图灵完备性与归纳偏置
-
10.3.3 非自回归模型
-
-
10.4 Transformer与其他模型的联系
-
-
第11章 预训练语言模型
-
11.1 预训练语言模型发展简史
-
11.2 GPT
-
11.2.1 语言模型＋精调解决一切问题
-
11.2.2 GPT-2和GPT-3：大力出奇迹
-
11.2.3 GPT系列全回顾
-
-
11.3 BERT
-
11.3.1 为什么GPT和ELMo还不够好
-
11.3.2 无监督语料知识提取方案
-
11.3.3 在下游任务上精调BERT
-
11.3.4 BERT改进方案
-
-
11.4 后预训练时代
-
-
第12章 其他复杂模型
-
12.1 生成对抗网络
-
12.1.1 生成对抗网络简介
-
12.1.2 生成对抗网络与无监督机器翻译
-
-
12.2 强化学习
-
12.2.1 强化学习基本概念
-
12.2.2 策略梯度和REINFORCE算法
-
12.2.3 强化学习与文本生成
-
-
12.3 流模型
-
12.3.1 归一化流简介
-
12.3.2 逆自回归流与并行WaveNet
-
-
- 参考文献
- 附录一 插图
- 附录二 算法
- 附录三 术语表
- 出版地 ： 中國大陸
- 語言 ： 簡體中文
評分與評論
請登入後再留言與評分
EPUB
EPUB
EPUB
EPUB
EPUB
