由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
正版新书]基于PyTorch的自然语言处理德利普·拉奥9787519845988
¥ ×1
前言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PyTorch20
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
sigmoid52
Tanh53
ReLU53
Softmax54
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MLP98
示例:用MLP进行姓氏分类102
姓氏数据集103
Vocabulary、Vectorizer和DataLoader104
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CNN120
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DataLoader148
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DataLoader153
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ElmanRNN169
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ElmanRNN)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RNN183
SurnameDataset类183
矢量化数据结构185
从ElmanRNN到GRU187
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章自然语言处理的不错序列建模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
Delip Rao是Joostware的创始人,Joostware是一家总部位于旧金山的咨询公司,专门从事机器学习和NLP研究。他还是Fake News Challenge的联合创始人,该活动旨在将黑客和AI研究人员召集在一起,共同研究新闻中与事实相关的问题。Delip之前曾在Twitter和Amazon(Alexa)从事NLP研究和产品的工作。Brian McMahan是Wells Fargo的NLP研究科学家。 在此之前,他曾在Joostware从事NLP研究。
这是一本应用PyTorch探索自然语言处理和深度学习很棒的书。 自然语言处理为解决人工智能问题提供了无限的机会,从而使诸如Amazon Alexa和Google Translate之类的产品成为可能。 如果你是初次接触NLP和深度学习的开发人员或数据科学家,本实用指南将向你展示如何使用PyTorch(基于Python的深度学习库)应用这些方法。 两位研究员为你提供了NLP和深度学习算法的坚实基础。他们还演示了如何使用PyTorch来构建应用程序,这些应用程序包含了你所遇到问题的丰富文本表示形式,并且每章都包含多个代码示例和说明。 “这是一本应用PyTorch探索NLP和深度学习很棒的书。本书作者做了十分卓越的工作,不仅清晰地解释了NLP概念,而且在每一章的代码中进行了演示,从而让我们使用PyTorch来解决实际的NLP任务。” ——Liling Tan 一位来自Rakuten的科学家
本书的主要内容有: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。
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格