实战自然语言处理及深度学习，涵盖基础知识与实际应用。
电子书
编辑推荐
一本兼顾理论基础和工程实践的入门级教程。
内容简介
运用PyTorch 探索自然语言处理与机器学习！这是一本兼顾理论基础和工程实践的入门级教程，基于 PyTorch，揭示自然语言处理的原理，描绘经典学术研究脉络，通过实践与项目展现技术与应用的细节，并提供可扩展阅读的论文出处。
章节目录
- fy
- 前 言
- 目 录
- 第1篇 自然语言处理基础篇
- 第1章 自然语言处理概述
- 1.1什么是自然语言处理
- 1.1.1 定义
- 1.1.2 常用术语
- 1.1.3 自然语言处理的任务
- 1.1.4 自然语言处理的发展历程
- 1.2自然语言处理中的挑战
- 1.2.1 歧义问题
- 1.2.2 语言的多样性
- 1.2.3 未登录词
- 1.2.4 数据稀疏
- 1.3自然语言处理中的常用技术
- 1.4机器学习中的常见问题
- 1.4.1 Batch和 Epoch
- 1.4.2 Batch Size 的选择
- 1.4.3 数据集不平衡问题
- 1.4.4 预训练模型与数据安全
- 1.4.5 通过开源代码学习
- 1.5小结
- 第2章 Python 自然语言处理基础
- 2.1 搭建环境
- 2.1.1 选择 Python 版本
- 2.1.2 安装 Python
- 2.1.3 使用 pip包管理工具和 Python 虚拟环境
- 2.1.4 使用集成开发环境
- 2.1.5 安装 Python 自然语言处理常用的库
- 2.2用Python处理字符串
- 2.2.1 使用 str 类型
- 2.2.2 使用 StringIO 类
- 2.3用Python处理语料
- 2.3.1 从文件读取语料
- 2.3.2 去重
- 2.3.3 停用词
- 2.3.4 编辑距离
- 2.3.5 文本规范化
- 2.3.6 分词
- 2.3.7 词频-逆文本频率
- 2.3.8 One-Hot 编码
- 2.4Python的一些特性
- 2.4.1 动态的解释型语言
- 2.4.2 跨平台
- 2.4.3 性能问题
- 2.4.4 并行和并发
- 2.5在Python中调用其他语言
- 2.5.1 通过ctypes调用C/C++代码
- 2.5.2 通过网络接口调用其他语言
- 2.6小结
- 第2篇 PyTorch 入门篇
- 第3章 PyTorch介绍
- 3.1概述
- 3.2与其他框架的比较
- 3.2.1 TensorFlow
- 3.2.2 PaddlePaddle
- 3.2.3 CNTK
- 3.3PyTorch环境配置
- 3.3.1 通过 pip安装
- 3.3.2 配置 GPU 环境
- 3.3.3 其他安装方法
- 3.3.4 在 PyTorch中查看 GPU 是否可用
- 3.4Transformers简介及安装
- 3.5Apex简介及安装
- 3.6小结
- 第4章 PyTorch基本使用方法
- 4.1张量的使用
- 4.1.1 创建张量
- 4.1.2 张量的变换
- 4.1.3 张量的索引
- 4.1.4 张量的运算
- 4.2使用torch.nn
- 4.3激活函数
- 4.3.1 Sigmoid 函数
- 4.3.2 Tanh函数
- 4.3.3 ReLU函数
- 4.3.4 Softmax 函数
- ∑
- 4.3.5 Softmin 函数
- ∑
- 4.3.6 LogSoftmax 函数
- ∑
- 4.4损失函数
- 4.4.1 0-1损失函数
- 4.4.2 平方损失函数
- 4.4.3 绝对值损失函数
- 4.4.4 对数损失函数
- 4.5优化器
- 4.5.1 SGD 优化器
- 4.5.2 Adam 优化器
- 4.5.3 AdamW 优化器
- 4.6数据加载
- 4.6.1 Dataset
- 4.6.2 DataLoader
- 4.7使用PyTorch实现逻辑回归
- 4.7.1 生成随机数据
- 4.7.2 数据可视化
- 4.7.3 定义模型
- 4.7.4 训练模型
- 4.8TorchText
- 4.8.1 安装 TorchText
- 4.8.2 Data类
- 4.8.3 Datasets 类
- 4.8.4 Vocab
- 4.8.5 utils
- 4.9使用TensorBoard
- 4.9.1 安装和启动 TensorBoard
- 4.9.2 在 PyTorch中使用 TensorBoard
- 4.10小结
- 第5章 热身：使用字符级RNN分类帖子
- 5.1数据与目标
- 5.1.1 数据
- 5.1.2 目标
- 5.2输入与输出
- 5.2.1 统计数据集中出现的字符数量
- 5.2.2 使用 One-Hot 编码表示标题数据
- 5.2.3 使用词嵌入表示标题数据
- 5.2.4 输出
- 5.3字符级RNN
- 5.3.1 定义模型
- 5.3.2 运行模型
- 5.4数据预处理
- 5.4.1 合并数据并添加标签
- 5.4.2 划分训练集和数据集
- 5.5训练与评估
- 5.5.1 训练
- 5.5.2 评估
- 5.5.3 训练模型
- 5.6保存和加载模型
- 5.6.1 仅保存模型参数
- 5.6.2 保存模型与参数
- 5.6.3 保存词表
- 5.7开发应用
- 5.7.1 给出任意标题的建议分类
- 5.7.2 获取用户输入并返回结果
- 5.7.3 开发Web API和Web界面
- 5.8小结
- 第3篇 用PyTorch完成自然语言处理任务篇
- 第6章 分词问题
- 6.1中文分词
- 6.1.1 中文的语言结构
- 6.1.2 未收录词
- 6.1.3 歧义
- 6.2分词原理
- 6.2.1 基于词典匹配的分词
- 6.2.2 基于概率进行分词
- 6.2.3 基于机器学习的分词
- 6.3使用第三方工具分词
- 6.3.1 S-MSRSeg
- 6.3.2 ICTCLAS
- 6.3.3 结巴分词
- 6.3.4 pkuseg
- 6.4实践
- 6.4.1 对标题分词
- 6.4.2 统计词语数量与模型训练
- 6.4.3 处理用户输入
- 6.5小结
- 第7章 RNN
- 7.1RNN的原理
- 7.1.1 原始 RNN
- 7.1.2 LSTM
- 7.1.3 GRU
- 7.2PyTorch中的RNN
- 7.2.1 使用RNN
- 7.2.2 使用 LSTM 和 GRU
- 7.2.3 双向 RNN和多层 RNN
- 7.3RNN可以完成的任务
- 7.3.1 输入不定长，输出与输入长度相同
- 7.3.2 输入不定长，输出定长
- 7.3.3 输入定长，输出不定长
- 7.4实践：使用PyTorch自带的RNN完成帖子分类
- 7.4.1 载入数据
- 7.4.2 定义模型
- 7.4.3 训练模型
- 7.5小结
- 第8章 词嵌入
- 8.1概述
- 8.1.1 词表示
- 8.1.2 PyTorch中的词嵌入
- 8.2Word2vec
- 8.2.1 Word2vec简介
- 8.2.2 CBOW
- 8.2.3 SG
- 8.2.4 在 PyTorch中使用 Word2vec
- 8.3GloVe
- 8.3.1 GloVe 的原理
- 8.3.2 在 PyTorch中使用 GloVe 预训练词向量
- 8.4实践：使用预训练词向量完成帖子标题分类
- 8.4.1 获取预训练词向量
- 8.4.2 加载词向量
- 8.4.3 方法一：直接使用预训练词向量
- 8.4.4 方法二：在Embedding 层中载入预训练词向量
- 8.5小结
- 第9章 Seq2seq
- 9.1概述
- 9.1.1 背景
- 9.1.2 模型结构
- 9.1.3 训练技巧
- 9.1.4 预测技巧
- 9.2使用PyTorch实现Seq2seq
- 9.2.1 编码器
- 9.2.2 解码器
- 9.2.3 Seq2seq
- 9.2.4 Teacher Forcing
- 9.2.5 Beam Search
- 9.3实践：使用Seq2seq完成机器翻译任务
- 9.3.1 数据集
- 9.3.2 数据预处理
- 9.3.3 构建训练集和测试集
- 9.3.4 定义模型
- 9.3.5 初始化模型
- 9.3.6 定义优化器和损失函数
- 9.3.7 训练函数和评估函数
- 9.3.8 训练模型
- 9.3.9 测试模型
- 9.4小结
- 第10章 注意力机制
- 10.1 注意力机制的起源
- 10.1.1 在计算机视觉中的应用
- 10.1.2 在自然语言处理中的应用
- 10.2 使用注意力机制的视觉循环模型
- 10.2.1 背景
- 10.2.2 实现方法
- 10.3 Seq2seq中的注意力机制
- 10.3.1 背景
- 10.3.2 实现方法
- ∑
- ∑
- 10.3.3 工作原理
- 10.4 自注意力机制
- 10.4.1 背景
- 10.4.2 自注意力机制相关的工作
- 10.4.3 实现方法与应用
- 10.5 其他注意力机制
- 10.6 小结
- 第11章 Transformer
- 11.1 Transformer的背景
- 11.1.1 概述
- 11.1.2 主要技术
- 11.1.3 优势和缺点
- 11.2 基于卷积网络的Seq2seq
- 11.3 Transformer的结构
- 11.3.1 概述
- 11.3.2 Transformer 中的自注意力机制
- 11.3.3 Multi-head Attention
- 11.3.4 使用Positional Encoding
- 11.4 Transformer的改进
- 11.5 小结
- 第12章 预训练语言模型
- 12.1 概述
- 12.1.1 为什么需要预训练
- 12.1.2 预训练模型的工作方式
- 12.1.3 自然语言处理预训练的发展
- 12.2 ELMo
- 12.2.1 特点
- 12.2.2 模型结构
- 12.2.3 预训练过程
- 12.3 GPT
- 12.3.1 特点
- 12.3.2 模型结构
- 12.3.3 下游任务
- 12.3.4 预训练过程
- ∑
- 12.3.5 GPT-2 和 GPT-3
- 12.4 BERT
- 12.4.1 背景
- 12.4.2 模型结构
- 12.4.3 预训练
- 12.4.4 RoBERTa 和 ALBERT
- 12.5 Hugging Face Transformers
- 12.5.1 概述
- ∑
- X
- 12.5.2 使用Transformers
- 12.5.3 下载预训练模型
- 12.5.4 Tokenizer
- 12.5.5 BERT 的参数
- 12.5.6 BERT 的使用
- 12.5.7 GPT-2 的参数
- 12.5.8 常见错误及其解决方法
- 12.6 其他开源中文预训练模型
- 12.6.1 TAL-EduBERT
- 12.6.2 Albert
- 12.7 实践：使用Hugging Face Transformers中的BERT做帖
- 子标题分类
- 12.7.1 读取数据
- 12.7.2 导入包和设置参数
- 12.7.3 定义Dataset和DataLoader
- 12.7.4 定义评估函数
- 12.7.5 定义模型
- 12.7.6 训练模型
- 12.8 小结
- 第4篇 实战篇
- 第13章 项目：中文地址解析
- 13.1 数据集
- 13.1.1 实验目标与数据集介绍
- 13.1.2 载入数据集
- 13.2 词向量
- 13.2.1 查看词向量文件
- 13.2.2 载入词向量
- 13.3 BERT
- 13.3.1 导入包和配置
- 13.3.2 Dataset 和 DataLoader
- 13.3.3 定义模型
- 13.3.4 训练模型
- 13.3.5 获取预测结果
- 13.4 HTML5演示程序开发
- 13.4.1 项目结构
- 13.4.2 HTML5界面
- 13.4.3 创建前端事件
- 13.4.4 服务器逻辑
- 13.5 小结
- 第14章 项目：诗句补充
- 14.1 了解chinese-poetry数据集
- 14.1.1 下载 chinese-poetry数据集
- 14.1.2 探索chinese-poetry数据集
- 14.2 准备训练数据
- 14.2.1 选择数据源
- 14.2.2 载入内存
- 14.2.3 切分句子
- 14.2.4 统计字频
- 14.2.5 删除低频字所在诗句
- 14.2.6 词到 ID的转换
- 14.3 实现基本的LSTM
- 14.3.1 把处理好的数据和词表存入文件
- 14.3.2 切分训练集和测试集
- 14.3.3 Dataset
- 14.3.4 DataLoader
- 14.3.5 创建 Dataset 和 DataLoader 对象
- 14.3.6 定义模型
- 14.3.7 测试模型
- 14.3.8 训练模型
- 14.4 根据句子长度分组
- 14.4.1 按照句子长度分割数据集
- 14.4.2 不用考虑填充的 DataLoader
- 14.4.3 创建多个 DataLoader 对象
- 14.4.4 处理等长句子的 LSTM
- 14.4.5 评估模型效果
- 14.4.6 训练模型
- 14.5 使用预训练词向量初始化Embedding层
- 14.5.1 根据词向量调整字表
- 14.5.2 载入预训练权重
- 14.5.3 训练模型
- 14.6 使用Transformer完成诗句生成
- 14.6.1 位置编码
- 14.6.2 使用Transformer
- 14.6.3 训练和评估
- 14.7 使用GPT-2完成对诗模型
- 14.7.1 预训练模型
- 14.7.2 评估模型
- 14.7.3 Fine-tuning
- 14.8 开发HTML5演示程序
- 14.8.1 目录结构
- 14.8.2 HTML5界面
- 14.8.3 创建前端事件
- 14.8.4 服务器逻辑
- 14.8.5 检验结果
- 14.9 小结
- 参考文献
展开全部
PyTorch自然语言处理入门与实战是2022年由人民邮电出版社出版,作者孙小文。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《PyTorch自然语言处理入门与实战》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。
电子书
电子书
一本书带你读懂ChatGPT背后的技术，掌握NLP迁移学习的奥秘。
电子书
基于Intel Core i7处理器的64位多核操作系统，引入诸多Linux内核的设计精髓。
电子书
以RedHat Linux 7为讲解版本，全面讲解linux知识。
电子书
本书全面系统的介绍了交流伺服系统。
电子书
1.PyTorch核心开发者教你使用PyTorch创建神经网络和深度学习系统的实用指南。2.详细讲解整个深度学习管道的关键实践，包括PyTorch张量API、用Python加载数据、监控训练以及对结果进行可视化。3.PyTorch核心知识+真实、完整的案例项目，快速提升读者动手能力：a.全面掌握PyTorch相关的API的使用方法以及系统掌握深度学习的理论和方法；b.快速从零开始构建一个真实示例：肿瘤图像分类器；c.轻松学会使用PyTorch实现各种神经网络模型来解决具体的深度学习问题；d.章尾附有“练习题”，巩固提升所学知识；更有配套的代码文件可下载并动手实现。4.PyTorch联合创作者SoumithChintala作序推荐！5.书中所有代码都是基于Python3.6及以上的版本编写的，提供源代码下载。
电子书
理论与实战相结合，结合大量案例系统为你介绍Python。
电子书
本书介绍了自然语言处理的原理与Java编程语言的技术实现，主要包括多种语言的文本处理、分布式算法与代码实现、自然语言处理相关系统构建等内容。
