免费人妻中文不卡无码_日本精品爽爽van在线_久久精品国产99久久丝袜蜜桃_女强人被春药精油按摩bd电影

目　　錄 第 1篇 自然語言處理基礎(chǔ)篇 第 1章 自然語言處理概述 2 1.1 什么是自然語言處理 2 1.1.1 定義 2 1.1.2 常用術(shù)語 3 1.1.3 自然語言處理的任務(wù) 3 1.1.4 自然語言處理的發(fā)展歷程 4 1.2 自然語言處理中的挑戰(zhàn) 5 1.2.1 歧義問題 5 1.2.2 語言的多樣性 6 1.2.3 未登錄詞 6 1.2.4 數(shù)據(jù)稀疏 6 1.3 自然語言處理中的常用技術(shù) 8 1.4 機(jī)器學(xué)習(xí)中的常見問題 10 1.4.1 Batch和Epoch 10 1.4.2 Batch Size的選擇 11 1.4.3 數(shù)據(jù)集不平衡問題 11 1.4.4 預(yù)訓(xùn)練模型與數(shù)據(jù)安全 12 1.4.5 通過開源代碼學(xué)習(xí) 12 1.5 小結(jié) 13 第 2章 Python自然語言處理基礎(chǔ) 14 2.1 搭建環(huán)境 14 2.1.1 選擇Python版本 14 2.1.2 安裝Python 15 2.1.3 使用pip包管理工具和Python虛擬環(huán)境 17 2.1.4 使用集成開發(fā)環(huán)境 18 2.1.5 安裝Python自然語言處理常用的庫 21 2.2 用Python處理字符串 25 2.2.1 使用str類型 25 2.2.2 使用StringIO類 29 2.3 用Python處理語料 29 2.3.1 從文件讀取語料 29 2.3.2 去重 31 2.3.3 停用詞 31 2.3.4 編輯距離 31 2.3.5 文本規(guī)范化 32 2.3.6 分詞 34 2.3.7 詞頻-逆文本頻率 35 2.3.8 One-Hot 編碼 35 2.4 Python的一些特性 36 2.4.1 動態(tài)的解釋型語言 36 2.4.2 跨平臺 37 2.4.3 性能問題 37 2.4.4 并行和并發(fā) 37 2.5 在Python中調(diào)用其他語言 38 2.5.1 通過ctypes調(diào)用C/C++代碼 38 2.5.2 通過網(wǎng)絡(luò)接口調(diào)用其他語言 40 2.6 小結(jié) 41 第 2篇 PyTorch入門篇 第3章 PyTorch介紹 44 3.1 概述 44 3.2 與其他框架的比較 45 3.2.1 TensorFlow 45 3.2.2 PaddlePaddle 45 3.2.3 CNTK 46 3.3 PyTorch環(huán)境配置 46 3.3.1 通過pip安裝 46 3.3.2 配置GPU環(huán)境 47 3.3.3 其他安裝方法 48 3.3.4 在PyTorch中查看GPU是否可用 49 3.4 Transformers簡介及安裝 49 3.5 Apex簡介及安裝 50 3.6 小結(jié) 50 第4章 PyTorch基本使用方法 51 4.1 張量的使用 51 4.1.1 創(chuàng)建張量 51 4.1.2 張量的變換 53 4.1.3 張量的索引 59 4.1.4 張量的運算 59 4.2 使用torch.nn 60 4.3 激活函數(shù) 63 4.3.1 Sigmoid函數(shù) 63 4.3.2 Tanh函數(shù) 64 4.3.3 ReLU函數(shù) 64 4.3.4 Softmax函數(shù) 65 4.3.5 Softmin函數(shù) 65 4.3.6 LogSoftmax函數(shù) 66 4.4 損失函數(shù) 66 4.4.1 0-1損失函數(shù) 66 4.4.2 平方損失函數(shù) 66 4.4.3 絕對值損失函數(shù) 68 4.4.4 對數(shù)損失函數(shù) 68 4.5 優(yōu)化器 69 4.5.1 SGD優(yōu)化器 69 4.5.2 Adam優(yōu)化器 70 4.5.3 AdamW優(yōu)化器 70 4.6 數(shù)據(jù)加載 70 4.6.1 Dataset 70 4.6.2 DataLoader 71 4.7 使用PyTorch實現(xiàn)邏輯回歸 73 4.7.1 生成隨機(jī)數(shù)據(jù) 73 4.7.2 數(shù)據(jù)可視化 73 4.7.3 定義模型 74 4.7.4 訓(xùn)練模型 75 4.8 TorchText 76 4.8.1 安裝TorchText 76 4.8.2 Data類 76 4.8.3 Datasets類 78 4.8.4 Vocab 79 4.8.5 utils 80 4.9 使用TensorBoard 81 4.9.1 安裝和啟動TensorBoard 81 4.9.2 在PyTorch中使用TensorBoard 81 4.10 小結(jié) 81 第5章 熱身：使用字符級RNN分類帖子 82 5.1 數(shù)據(jù)與目標(biāo) 82 5.1.1 數(shù)據(jù) 82 5.1.2 目標(biāo) 84 5.2 輸入與輸出 84 5.2.1 統(tǒng)計數(shù)據(jù)集中出現(xiàn)的字符數(shù)量 85 5.2.2 使用One-Hot編碼表示標(biāo)題數(shù)據(jù) 85 5.2.3 使用詞嵌入表示標(biāo)題數(shù)據(jù) 85 5.2.4 輸出 86 5.3 字符級RNN 87 5.3.1 定義模型 87 5.3.2 運行模型 87 5.4 數(shù)據(jù)預(yù)處理 89 5.4.1 合并數(shù)據(jù)并添加標(biāo)簽 90 5.4.2 劃分訓(xùn)練集和數(shù)據(jù)集 90 5.5 訓(xùn)練與評估 90 5.5.1 訓(xùn)練 91 5.5.2 評估 91 5.5.3 訓(xùn)練模型 91 5.6 保存和加載模型 93 5.6.1 僅保存模型參數(shù) 93 5.6.2 保存模型與參數(shù) 93 5.6.3 保存詞表 94 5.7 開發(fā)應(yīng)用 94 5.7.1 給出任意標(biāo)題的建議分類 94 5.7.2 獲取用戶輸入并返回結(jié)果 95 5.7.3 開發(fā)Web API和Web界面 96 5.8 小結(jié) 97 第3篇 用PyTorch完成自然語言處理任務(wù)篇 第6章 分詞問題 100 6.1 中文分詞 100 6.1.1 中文的語言結(jié)構(gòu) 100 6.1.2 未收錄詞 101 6.1.3 歧義 101 6.2 分詞原理 101 6.2.1 基于詞典匹配的分詞 101 6.2.2 基于概率進(jìn)行分詞 102 6.2.3 基于機(jī)器學(xué)習(xí)的分詞 105 6.3 使用第三方工具分詞 106 6.3.1 S-MSRSeg 106 6.3.2 ICTCLAS 107 6.3.3 結(jié)巴分詞 107 6.3.4 pkuseg 107 6.4 實踐 109 6.4.1 對標(biāo)題分詞 109 6.4.2 統(tǒng)計詞語數(shù)量與模型訓(xùn)練 109 6.4.3 處理用戶輸入 110 6.5 小結(jié) 110 第7章 RNN 111 7.1 RNN的原理 111 7.1.1 原始RNN 111 7.1.2 LSTM 113 7.1.3 GRU 114 7.2 PyTorch中的RNN 115 7.2.1 使用RNN 115 7.2.2 使用LSTM和GRU 116 7.2.3 雙向RNN和多層RNN 117 7.3 RNN可以完成的任務(wù) 117 7.3.1 輸入不定長，輸出與輸入長度相同 117 7.3.2 輸入不定長，輸出定長 118 7.3.3 輸入定長，輸出不定長 118 7.4 實踐：使用PyTorch自帶的RNN完成帖子分類 118 7.4.1 載入數(shù)據(jù) 118 7.4.2 定義模型 119 7.4.3 訓(xùn)練模型 119 7.5 小結(jié) 121 第8章 詞嵌入 122 8.1 概述 122 8.1.1 詞表示 122 8.1.2 PyTorch中的詞嵌入 124 8.2 Word2vec 124 8.2.1 Word2vec簡介 124 8.2.2 CBOW 125 8.2.3 SG 126 8.2.4 在PyTorch中使用Word2vec 126 8.3 GloVe 127 8.3.1 GloVe的原理 127 8.3.2 在PyTorch中使用GloVe預(yù)訓(xùn)練詞向量 127 8.4 實踐：使用預(yù)訓(xùn)練詞向量完成帖子標(biāo)題分類 128 8.4.1 獲取預(yù)訓(xùn)練詞向量 128 8.4.2 加載詞向量 128 8.4.3 方法一：直接使用預(yù)訓(xùn)練詞向量 129 8.4.4 方法二：在Embedding層中載入預(yù)訓(xùn)練詞向量 130 8.5 小結(jié) 131 第9章 Seq2seq 132 9.1 概述 132 9.1.1 背景 132 9.1.2 模型結(jié)構(gòu) 133 9.1.3 訓(xùn)練技巧 134 9.1.4 預(yù)測技巧 134 9.2 使用PyTorch實現(xiàn)Seq2seq 134 9.2.1 編碼器 134 9.2.2 解碼器 135 9.2.3 Seq2seq 136 9.2.4 Teacher Forcing 137 9.2.5 Beam Search 138 9.3 實踐：使用Seq2seq完成機(jī)器翻譯任務(wù) 138 9.3.1 數(shù)據(jù)集 138 9.3.2 數(shù)據(jù)預(yù)處理 139 9.3.3 構(gòu)建訓(xùn)練集和測試集 141 9.3.4 定義模型 143 9.3.5 初始化模型 145 9.3.6 定義優(yōu)化器和損失函數(shù) 146 9.3.7 訓(xùn)練函數(shù)和評估函數(shù) 146 9.3.8 訓(xùn)練模型 147 9.3.9 測試模型 148 9.4 小結(jié) 149 第 10章 注意力機(jī)制 150 10.1 注意力機(jī)制的起源 150 10.1.1 在計算機(jī)視覺中的應(yīng)用 150 10.1.2 在自然語言處理中的應(yīng)用 151 10.2 使用注意力機(jī)制的視覺循環(huán)模型 151 10.2.1 背景 151 10.2.2 實現(xiàn)方法 152 10.3 Seq2seq中的注意力機(jī)制 152 10.3.1 背景 152 10.3.2 實現(xiàn)方法 153 10.3.3 工作原理 154 10.4 自注意力機(jī)制 155 10.4.1 背景 155 10.4.2 自注意力機(jī)制相關(guān)的工作 156 10.4.3 實現(xiàn)方法與應(yīng)用 156 10.5 其他注意力機(jī)制 156 10.6 小結(jié) 157 第 11章 Transformer 158 11.1 Transformer的背景 158 11.1.1 概述 158 11.1.2 主要技術(shù) 159 11.1.3 優(yōu)勢和缺點 159 11.2 基于卷積網(wǎng)絡(luò)的Seq2seq 159 11.3 Transformer的結(jié)構(gòu) 159 11.3.1 概述 160 11.3.2 Transformer中的自注意力機(jī)制 160 11.3.3 Multi-head Attention 161 11.3.4 使用Positional Encoding 162 11.4 Transformer的改進(jìn) 164 11.5 小結(jié) 164 第 12章 預(yù)訓(xùn)練語言模型 165 12.1 概述 165 12.1.1 為什么需要預(yù)訓(xùn)練 165 12.1.2 預(yù)訓(xùn)練模型的工作方式 166 12.1.3 自然語言處理預(yù)訓(xùn)練的發(fā)展 166 12.2 ELMo 167 12.2.1 特點 167 12.2.2 模型結(jié)構(gòu) 167 12.2.3 預(yù)訓(xùn)練過程 168 12.3 GPT 168 12.3.1 特點 168 12.3.2 模型結(jié)構(gòu) 168 12.3.3 下游任務(wù) 169 12.3.4 預(yù)訓(xùn)練過程 169 12.3.5 GPT-2和GPT-3 169 12.4 BERT 170 12.4.1 背景 171 12.4.2 模型結(jié)構(gòu) 171 12.4.3 預(yù)訓(xùn)練 171 12.4.4 RoBERTa和ALBERT 171 12.5 Hugging Face Transformers 171 12.5.1 概述 172 12.5.2 使用Transformers 172 12.5.3 下載預(yù)訓(xùn)練模型 173 12.5.4 Tokenizer 173 12.5.5 BERT的參數(shù) 175 12.5.6 BERT的使用 176 12.5.7 GPT-2的參數(shù) 180 12.5.8 常見錯誤及其解決方法 181 12.6 其他開源中文預(yù)訓(xùn)練模型 181 12.6.1 TAL-EduBERT 181 12.6.2 Albert 182 12.7 實踐：使用Hugging Face Transformers中的BERT做帖子標(biāo)題分類 182 12.7.1 讀取數(shù)據(jù) 182 12.7.2 導(dǎo)入包和設(shè)置參數(shù) 183 12.7.3 定義Dataset和DataLoader 183 12.7.4 定義評估函數(shù) 184 12.7.5 定義模型 185 12.7.6 訓(xùn)練模型 185 12.8 小結(jié) 186 第4篇 實戰(zhàn)篇 第 13章 項目：中文地址解析 188 13.1 數(shù)據(jù)集 188 13.1.1 實驗?zāi)繕?biāo)與數(shù)據(jù)集介紹 188 13.1.2 載入數(shù)據(jù)集 190 13.2 詞向量 195 13.2.1 查看詞向量文件 195 13.2.2 載入詞向量 196 13.3 BERT 196 13.3.1 導(dǎo)入包和配置 196 13.3.2 Dataset和DataLoader 198 13.3.3 定義模型 199 13.3.4 訓(xùn)練模型 200 13.3.5 獲取預(yù)測結(jié)果 202 13.4 HTML5演示程序開發(fā) 203 13.4.1 項目結(jié)構(gòu) 203 13.4.2 HTML5界面 204 13.4.3 創(chuàng)建前端事件 206 13.4.4 服務(wù)器邏輯 207 13.5 小結(jié) 211 第 14章 項目：詩句補(bǔ)充 212 14.1 了解chinese-poetry數(shù)據(jù)集 212 14.1.1 下載chinese-poetry數(shù)據(jù)集 212 14.1.2 探索chinese-poetry數(shù)據(jù)集 213 14.2 準(zhǔn)備訓(xùn)練數(shù)據(jù) 214 14.2.1 選擇數(shù)據(jù)源 214 14.2.2 載入內(nèi)存 214 14.2.3 切分句子 215 14.2.4 統(tǒng)計字頻 218 14.2.5 刪除低頻字所在詩句 220 14.2.6 詞到ID的轉(zhuǎn)換 221 14.3 實現(xiàn)基本的LSTM 222 14.3.1 把處理好的數(shù)據(jù)和詞表存入文件 222 14.3.2 切分訓(xùn)練集和測試集 224 14.3.3 Dataset 224 14.3.4 DataLoader 225 14.3.5 創(chuàng)建Dataset和DataLoader對象 226 14.3.6 定義模型 226 14.3.7 測試模型 228 14.3.8 訓(xùn)練模型 228 14.4 根據(jù)句子長度分組 229 14.4.1 按照句子長度分割數(shù)據(jù)集 229 14.4.2 不用考慮填充的DataLoader 230 14.4.3 創(chuàng)建多個DataLoader對象 230 14.4.4 處理等長句子的LSTM 231 14.4.5 評估模型效果 231 14.4.6 訓(xùn)練模型 232 14.5 使用預(yù)訓(xùn)練詞向量初始化Embedding層 235 14.5.1 根據(jù)詞向量調(diào)整字表 235 14.5.2 載入預(yù)訓(xùn)練權(quán)重 240 14.5.3 訓(xùn)練模型 240 14.6 使用Transformer完成詩句生成 244 14.6.1 位置編碼 245 14.6.2 使用Transformer 245 14.6.3 訓(xùn)練和評估 246 14.7 使用GPT-2完成對詩模型 247 14.7.1 預(yù)訓(xùn)練模型 248 14.7.2 評估模型 249 14.7.3 Fine-tuning 252 14.8 開發(fā)HTML5演示程序 257 14.8.1 目錄結(jié)構(gòu) 257 14.8.2 HTML5界面 257 14.8.3 創(chuàng)建前端事件 259 14.8.4 服務(wù)器邏輯 260 14.8.5 檢驗結(jié)果 263 14.9 小結(jié) 264 參考文獻(xiàn) 265