新書推薦：
《
趣话通信：6G的前世、今生和未来
》
售價：NT$
411.0
《
不羁.完结篇
》
售價：NT$
275.0
《
性别经济学
》
售價：NT$
322.0
《
中国书法嬗变与思考（国家社科基金后期资助项目）
》
售價：NT$
510.0
《
关键冲突：如何化人际关系危机为合作共赢（原书第2版）
》
售價：NT$
390.0
《
探索清陵五十年
》
售價：NT$
4576.0
《
定鼎中原之路：从皇太极入关到玄烨亲政
》
售價：NT$
458.0
《
财之道丛书·如何让人投资你：股权激励融资全揭秘
》
售價：NT$
458.0
|
| 編輯推薦： |
|
本书介绍了当前NLP的研究热点，如预训练模型、知识的引入、迁移学习、低资源任务学习、多模态学习等，内容介绍上由浅入深，从基础环境安装，到理论讲解，再到数学推导，然后解释各个模型的优缺点，*后还有应用场景介绍和代码实战。
|
| 內容簡介： |
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。
|
| 目錄：
|
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LSTMGRU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
|
| 內容試閱：
|
自然语言处理作为深度学习的重要组成部分之一，已经成为机器语言和人类语言之间沟通的桥梁，起到了人机交流的作用。其发展速度在深度学习技术出现后得到了极大提高，机器学习、深度学习这些曾经仅仅掌握在少数科学家手中的技术已经融入我们的生活。
自然语言处理可以分为两个核心任务：自然语言理解与自然语言生成。自然语言理解就是使机器能够具备人类的语言理解能力，可以理解为让计算机听懂我们在说什么；而自然语言生成则是将非语言格式的数据转换成人类可以理解的语言格式，也就是将计算机想讲的话说出来。目前机器翻译、聊天机器人、舆情分析等自然语言的实际应用都可归类于这两大核心任务。
本书作为一本结合理论与实践的参考书，不仅介绍了自然语言处理必备的理论知识，还深入讲解了自然语言处理任务的相关技术实现。读者可以通过本书全面地梳理自然语言处理领域的前沿知识，系统地理解自然语言技术脉络，并在需要寻找某些特定技术时获得一定的帮助。
本书共8章。第1章介绍了深度学习理论的发展和基础知识，第2章讲解了PyTorch环境配置及常用操作，第3章介绍了自然语言处理的基础知识，包括词向量和语言模型等，第4章和第5章则分别给出了循环神经网络和卷积网络的理论及技术实现，第6章介绍了经典Seq2Seq模型和Attention机制，第7章和第8章分别介绍了多种大规模预训练模型（ELMo、Transformers、BERT等）。
本书是集体智慧的结晶，写作成员包括张楠、苏南、王贵阳、梁培力、金纾羽。同时，感谢很多同事和朋友在写作过程中给予的协助。在写作过程中，我们从实际出发，考虑每一章节结合理论所需要的技术支持是怎样的，并给出实例，同时关注国内外关于自然语言处理的最新进展，并思考如何将这些技术真正传达给读者。需要说明的是，在写作过程中，我们参阅了很多资料，并尽可能列出了参考文献，这里向参考文献的作者深表感谢！
由于水平有限，书中难免有疏漏和不足之处，恳请读者批评指正。
编者
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
