返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 正版新书]基于PyTorch的自然语言处理德利普·拉奥9787519845988
  • 全店均为全新正版书籍,欢迎选购!新疆西藏青海(可包挂刷).港澳台及海外地区bu bao快递
    • 作者: 德利普·拉奥著 | 德利普·拉奥编 | 德利普·拉奥译 | 德利普·拉奥绘
    • 出版社: 中国电力出版社
    • 出版时间:2020-07-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    君凤文轩图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 德利普·拉奥著| 德利普·拉奥编| 德利普·拉奥译| 德利普·拉奥绘
    • 出版社:中国电力出版社
    • 出版时间:2020-07-01
    • 版次:1
    • 印次:1
    • 字数:306000
    • 页数:249
    • 开本:16开
    • ISBN:9787519845988
    • 版权提供:中国电力出版社
    • 作者:德利普·拉奥
    • 著:德利普·拉奥
    • 装帧:平装
    • 印次:1
    • 定价:68
    • ISBN:9787519845988
    • 出版社:中国电力出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:中文
    • 出版时间:2020-07-01
    • 页数:249
    • 外部编号:小坞112041
    • 版次:1
    • 成品尺寸:暂无

    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


    【内容简介】


    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。


    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购