编辑推荐

本书介绍TensorFlow构建知识图谱的核心技术，帮助读者掌握使用深度学习构建知识图谱的方法，以及使用神经网络的技术要点和基于深度学习的应用程序编写技巧。

内容简介

大数据时代的到来，为人工智能的飞速发展带来前所未有的数据红利。在大数据的“喂养”下，大量知识不断涌现，如何有效地发掘这些知识呢？知识图谱横空出世。

本书是一本讲解如何使用TensorFlow2构建知识图谱的入门教程，引导读者掌握基于深度学习的知识图谱构建概念、理论和方法。

本书分为13章：第1章从搭建环境开始，包含TensorFlowCPU版本和GPU版本的安装，并通过一个知识图谱的例子引导读者开始学习；第2-4章介绍TensorFlowAPI的使用；第5章是DatasetAPI，学习使用原生API处理数据的方法；第6-8章是实战准备部分，介绍ResNet模型、词嵌入（wordembedding）模型、情感分类；第9-10章在“注意力模型”基础上搭建了“编码器模型”；第11-13章搭建了知识图谱联合抽取模型，利用本书所学知识实战知识图谱的搭建过程和性能提升方案。

本书内容详尽、示例丰富，适合作为知识图谱和深度学习读者的参考书，同时也适合开设人工智能专业的大中专院校师生阅读，还可作为高等院校计算机及相关专业教材使用。

作者简介

作者王晓华，计算机专业讲师，长期讲授面向对象程序设计、数据结构、Hadoop程序设计等研究生和本科生相关课程；主要研究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科研课题，独立科研项目获省级成果认定，发表过多篇论文，拥有一项专利。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV TensorFlow深度学习与计算机视觉实战》等图书。

章节目录

版权信息

内容简介

前言

第1章 知识图谱的前世今生

1.1 何谓自然语言处理

1.1.1 自然语言处理是门技术

1.1.2 传统的自然语言处理

1.2 自然语言处理为什么难

1.2.1 自然语言处理的难点

1.2.2 自然语言处理小练习：酒店评论的情感分类

1.3 知识图谱到底是什么

1.3.1 知识图谱的应用

1.3.2 知识图谱中的三元组

1.4 搭建环境1：安装Python

1.4.1 Anaconda的下载与安装

1.4.2 PyCharm的下载与安装

1.4.3 Python代码小练习：计算softmax函数

1.5 搭建环境2：安装TensorFlow 2.X的GPU版本

1.5.1 10/20/30系列显卡选择的GPU版本

1.5.2 TensorFlow 2.4 GPU版本基础显卡推荐和前置软件安装

1.5.3 TensorFlow小练习：Hello TensorFlow

1.6 实战

1.6.1 第一步：数据的准备

1.6.2 第二步：数据的处理

1.6.3 第三步：知识图谱的展示

1.6.4 第四步：更多的连线

1.6.5 一个需要解决的小问题

1.7 本章小结

第2章 TensorFlow和Keras快速入门

2.1 Keras让一切变简单

2.1.1 深度学习，始于模型

2.1.2 使用Keras API实现鸢尾花分类的例子（顺序模型）

2.1.3 使用Keras函数式编程实现鸢尾花分类的例子（重点）

2.1.4 使用保存的Keras模式对模型进行复用

2.1.5 使用TensorFlow标准化编译对iris模型进行拟合

2.1.6 多输入单一输出TensorFlow编译方法（选学）

2.1.7 多输入多输出TensorFlow编译方法（选学）

2.2 全连接层详解

2.2.1 全连接层的定义与实现

2.2.2 使用TensorFlow自带的API实现全连接层

2.2.3 打印显示已设计的model结构和参数

2.3 懒人的福音

2.3.1 ResNet50模型和参数的载入

2.3.2 使用ResNet作为特征提取层建立模型

2.4 本章小结

第3章 深度学习的理论基础

3.1 BP神经网络简介

3.2 BP神经网络两个基础算法详解

3.2.1 最小二乘法（LS算法）详解

3.2.2 道士下山的故事——梯度下降算法

3.2.3 最小二乘法的梯度下降算法及其Python实现

3.3 反馈神经网络反向传播算法介绍

3.3.1 深度学习基础

3.3.2 链式求导法则

3.3.3 反馈神经网络原理与公式推导

3.3.4 反馈神经网络原理的激活函数

3.3.5 反馈神经网络原理的Python实现

3.4 本章小结

第4章 卷积神经网络实战

4.1 卷积运算基本概念

4.1.1 卷积运算

4.1.2 TensorFlow中卷积函数实现详解

4.1.3 池化运算

4.1.4 softmax激活函数

4.1.5 卷积神经网络原理

4.2 卷积实战：MNIST手写体识别

4.2.1 MNIST数据集

4.2.2 MNIST数据集特征和标签介绍

4.2.3 TensorFlow 2.X编程实战：MNIST数据集

4.2.4 使用自定义的卷积层实现MNIST识别

4.3 本章小结

第5章 Datasets数据集和TensorBoard可视化

5.1 TensorFlow Datasets简介

5.1.1 Datasets数据集的安装

5.1.2 Datasets数据集的使用

5.2 Datasets数据集的使用

5.2.1 FashionMNIST数据集下载与展示

5.2.2 模型的建立与训练

5.3 使用Keras对FashionMNIST数据集进行处理

5.3.1 获取数据集

5.3.2 数据集的调整

5.3.3 使用Python类函数建立模型

5.3.4 Model的查看和参数打印

5.3.5 模型的训练和评估

5.4 使用TensorBoard可视化训练过程

5.4.1 TensorBoard文件夹设置

5.4.2 TensorBoard的显式调用（推荐使用Chrome或Edge浏览器）

5.4.3 TensorBoard的使用

5.5 本章小结

第6章 ResNet实现神经网络的飞跃

6.1 ResNet基础原理与程序设计基础

6.1.1 ResNet诞生的背景

6.1.2 模块工具的TensorFlow实现——不要重复造轮子

6.1.3 TensorFlow高级模块layers用法简介

6.2 ResNet实战：CIFAR100数据集分类

6.2.1 CIFAR100数据集简介

6.2.2 ResNet残差模块的实现

6.2.3 ResNet网络的实现

6.2.4 使用ResNet对CIFAR100数据集进行分类

6.3 本章小结

第7章 有趣的词嵌入

7.1 文本数据处理

7.1.1 数据集介绍和数据清洗

7.1.2 停用词的使用

7.1.3 词向量训练模型word2vec使用介绍

7.1.4 文本主题的提取：基于TF-IDF（选学）

7.1.5 文本主题的提取：基于TextRank（选学）

7.2 更多的word embedding方法

7.2.1 fastText的原理与基础算法

7.2.2 fastText训练以及与TensorFlow 2.X的协同使用

7.2.3 使用其他预训练参数做TensorFlow词嵌入矩阵（中文）

7.3 针对文本的卷积神经网络模型简介

7.3.1 字符（非单词）文本的处理

7.3.2 卷积神经网络文本分类模型的实现——conv1d（一维卷积）

7.4 针对文本的卷积神经网络模型

7.4.1 单词的文本处理

7.4.2 卷积神经网络文本分类模型的实现——conv2d（二维卷积）

7.5 使用卷积对文本分类的补充内容

7.5.1 汉字的文本处理

7.5.2 其他的一些细节

7.6 本章小结

第8章 情感分类

8.1 GRU与情感分类

8.1.1 使用GRU的情感分类

8.1.2 什么是GRU

8.1.3 TensorFlow中的GRU层详解

8.1.4 单向不行就双向

8.2 实战：情感分类

8.2.1 使用TensorFlow自带的模型做文本分类

8.2.2 使用自定义的DPCNN做模型分类

8.3 本章小结

第9章 编码器

9.1 编码器的核心

9.1.1 输入层——初始词向量层和位置编码器层

9.1.2 自注意力层

9.1.3 ticks和LayerNormalization

9.1.4 多头自注意力

9.2 编码器的实现

9.2.1 前馈层的实现

9.2.2 编码器的实现

9.3 实战编码器：汉字拼音转化模型

9.3.1 汉字拼音数据集处理

9.3.2 汉字拼音转化模型的确定

9.3.3 模型训练部分的编写

9.3.4 推断函数的编写

9.4 本章小结

第10章 BERT

10.1 预训练模型BERT

10.1.1 BERT基本架构与应用

10.1.2 BERT预训练任务与Fine-Tuning

10.2 实战BERT：中文文本分类

10.2.1 使用Hugging face获取BERT预训练模型

10.2.2 BERT实战文本分类

10.3 更多的预训练模型

10.4 本章小结

第11章 知识图谱实战1：多标签文本分类

11.1 多标签文本基本内容

11.1.1 多标签分类不等于多分类

11.1.2 多标签分类的激活函数——sigmoid

11.2 多标签文本实战

11.2.1 第一步：数据的获取与处理

11.2.2 第二步：选择特征抽取模型

11.2.3 第三步：训练模型的建立

11.2.4 第四步：多标签文本分类的训练与预测

11.3 本章小结

第12章 知识图谱实战2：命名实体识别

12.1 命名实体识别的基本内容

12.1.1 什么是命名实体识别

12.1.2 深度学习在命名实体识别中的应用

12.1.3 命名实体识别CRF层简介

12.1.4 命名实体识别一般的模型架构详解

12.2 方法一：BERT命名实体识别实战

12.2.1 第一步：数据的获取与处理

12.2.2 第二步：BERT模型设计

12.2.3 第三步：完整的BERT模型训练

12.2.4 第四步：使用BERT命名实体识别模型进行预测

12.3 方法二：BiLSTM-CRF命名实体识别实战

12.3.1 第一步：数据的获取与处理

12.3.2 第二步：BiLSTM-CRF模型设计

12.3.3 第三步：BiLSTM-CRF模型的训练

12.3.4 第四步：使用BiLSTM的预测

12.4 本章小结

第13章 知识图谱实战3：基于联合抽取的知识图谱模型

13.1 基于联合抽取的知识图谱模型实战

13.1.1 什么是联合抽取

13.1.2 第一步：数据的处理

13.1.3 第二步：模型的设计

13.1.4 第三步：联合抽取模型的训练

13.2 知识图谱模型提升

13.2.1 更换预训练模型进行提升

13.2.2 更换损失函数进行提升

13.2.3 使用Mixture-of-Experts修正联合抽取模型

13.3 本章小结

TensorFlow知识图谱实战是2021年由清华大学出版社出版,作者王晓华。

得书感谢您对《TensorFlow知识图谱实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。