基于PyTorch的自然语言处理

作者：Delip,Rao,Brian,McMahan 著
出版：中国电力出版社 2020.7
页数：260
定价：68.00 元
ISBN-13：9787519845988
ISBN-10：7519845982 去豆瓣看看

0 0暂无人评价...

　　目录
　　前言 1
　　第1 章概述 7
　　监督学习范式 9
　　随机梯度下降法 11
　　样本和目标编码 12
　　独热表示（one-hot） 12
　　词频表示（TF） 14
　　TF-IDF 表示 15
　　目标编码 16
　　计算图 17
　　PyTorch 基础 19
　　动态与静态计算图 19
　　安装PyTorch 20
　　创建张量 21
　　张量的类型和大小 23
　　张量操作 25
　　索引、切片、连接 27
　　张量和计算图 31
　　CUDA 张量 32
　　练习题 34
　　答案 35
　　小结 36
　　参考文献 36
　　第2 章自然语言处理 37
　　语料库、词和类型 38
　　特征工程 40
　　一元，二元，三元,…，n 元模型 41
　　词形还原和词干提取 41
　　文档分类 42
　　单词分类: 词性标注 42
　　广度分类: 分块和命名实体识别 43
　　句子结构 44
　　词义与语义 45
　　小结 46
　　参考文献 47
　　第3 章神经网络基础 49
　　感知器: 最简单的神经网络 49
　　激活函数 51
　　sigmoid 52
　　Tanh 53
　　ReLU 53
　　Softmax 54
　　损失函数 55
　　均方误差损失 56
　　分类交叉熵损失 56
　　交叉熵损失 58
　　深入监督训练 59
　　构造样例数据 59
　　综合起来: 基于梯度的监督学习 62
　　辅助训练的概念 63
　　正确度量模型性能：评估指标 64
　　正确度量模型性能：分割数据集 64
　　知道何时停止训练 65
　　找到合适的超参数 65
　　规范化 66
　　案例: 餐馆评论分类 67
　　Yelp 评论数据集 68
　　理解PyTorch 的数据集表示 70
　　词汇表(Vocabulary)、矢量化器(Vectorizer) 和数据转换器(DataLoader) 73
　　一种感知器分类器 79
　　训练程序 80
　　评估、推断和检查 86
　　测试数据评估 87
　　小结 90
　　参考文献 91
　　第4 章用于自然语言处理的前馈网络 93
　　多层感知器 94
　　一个简单的例子: 二分类 96
　　在PyTorch 中实现MLP 98
　　示例：用MLP 进行姓氏分类 102
　　姓氏数据集 103
　　Vocabulary、Vectorizer 和DataLoader 104
　　姓氏分类器模型 106
　　训练程序 108
　　模型评估及预测 110
　　正则化MLP: 权重正则化和结构正则化( 或Dropout) 112
　　卷积神经网络 114
　　CNN 超参数 115
　　在PyTorch 中实现CNN 120
　　示例：使用CNN 对姓氏进行分类 123
　　姓氏数据集类 124
　　词汇表、矢量化程序和数据转换器 125
　　用卷积网络重新实现姓氏分类器 126
　　培训程序 128
　　模型评估及预测 129
　　CNN 中的杂项主题 130
　　池化 130
　　批规范化(BatchNorm) 131
　　网络中的网络连接(1x1 卷积) 131
　　残差连接/ 残差块 132
　　小结 133
　　参考文献 134
　　第5 章嵌入单词和类型 135
　　为什么学习嵌入? 136
　　嵌入的效率 137
　　学习单词嵌入的方法 138
　　预置字的实际使用 138
　　示例：连续词袋模型的嵌入 145
　　Frankenstein 数据集 146
　　Vocabulary、Vectorizer 和DataLoader 148
　　CBOWClassifier 模型 149
　　训练程序 150
　　模型评估及预测 151
　　示例：使用预先训练的嵌入进行文档分类 151
　　新闻数据集 152
　　Vocabulary、Vectorizer 和DataLoader 153
　　NewsClassifier 模型 156
　　训练程序 159
　　模型评估及预测 160
　　小结 161
　　参考文献 162
　　第6 章自然语言处理的序列建模 165
　　递归神经网络简介 166
　　实现Elman RNN 169
　　示例：使用字符RNN 对姓氏国籍进行分类 171
　　SurnameDataset 类 171
　　矢量化数据结构 173
　　姓氏分类器模型 174
　　训练程序和结果 177
　　小结 178
　　参考文献 178
　　第7 章自然语言处理的中级序列建模 179
　　普通RNN（或Elman RNN）的问题 180
　　用门控方法解决普通RNN 存在的问题 181
　　示例：用于生成姓氏的字符RNN 183
　　SurnameDataset 类 183
　　矢量化数据结构 185
　　从ElmanRNN 到GRU 187
　　模型1：无条件的姓氏生成模型 187
　　模型2：条件姓氏生成模型 189
　　训练程序和结果 190
　　训练序列模型的技巧和窍门 196
　　参考文献 198
　　第8 章自然语言处理的高级序列建模 199
　　序列到序列模型，编码器- 解码器模型和条件生成 199
　　从序列中捕获更多信息：双向递归模型 203
　　从序列中捕获更多信息：注意力 205
　　深度神经网络中的注意力 207
　　评估序列生成模型 209
　　示例：神经机器翻译 211
　　机器翻译数据集 212
　　NMT 的矢量化管道 213
　　NMT 模型中的编码和解码 218
　　训练程序和结果 229
　　小结 231
　　参考文献 232
　　第9 章经典，前沿与下一步发展 235
　　到目前为止，我们学到了什么？ 235
　　NLP 中的永恒主题 236
　　对话与交互系统 236
　　话语 237
　　信息提取与文本挖掘 239
　　文件分析与检索 239
　　NLP 前沿 239
　　生产NLP 系统的设计模式 241
　　接下来呢？ 246
　　参考文献 247
　　作者介绍 249
　　封面介绍 249

目　录作者简介内容简介

　　探索计算图和监督学习范式。掌握PyTorch优化张量库的基础。概述传统的NLP概念和方法。学习构建神经网络的基本思想。检查前馈神经网络，例如多层感知器。使用嵌入方式来表示单词、句子、文档等。了解如何使用递归神经网络对序列数据建模。探索序列预测并生成sequence-to-sequence模型。学习用于构建NLP系统的设计模式。

比价列表价格走势