孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 占位居中 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台
商品
拍卖区
在售
已售
搜索历史
搜索
高级搜索

基于PyTorch的自然语言处理

基于PyTorch的自然语言处理
分享
扫描下方二维码分享到微信
打开微信，点击右上角”+“，
使用”扫一扫“即可将网页分享到朋友圈。
作者: 著 , 著 , 著 , 著
出版社: 中国电力出版社
2020-07
版次: 1
ISBN: 9787519845988
定价: 68.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 260页
分类: 计算机与互联网
2 张插图图片
41人买过
  • 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。 

    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。 

    目录 
    前言 1 
    第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PyTorch  20 
    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 
    sigmoid  52 
    Tanh  53 
    ReLU  53 
    Softmax  54 
    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MLP  98 
    示例：用MLP 进行姓氏分类  102 
    姓氏数据集 103 
    Vocabulary、Vectorizer 和DataLoader  104 
    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CNN  120 
    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DataLoader  148 
    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DataLoader  153 
    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Elman RNN  169 
    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Elman RNN）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RNN  183 
    SurnameDataset 类  183 
    矢量化数据结构  185 
    从ElmanRNN 到GRU  187 
    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 自然语言处理的高级序列建模  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 

  • 内容简介:
    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。 

  • 作者简介:
    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。 

  • 目录:
    目录 
    前言 1 
    第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PyTorch  20 
    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 
    sigmoid  52 
    Tanh  53 
    ReLU  53 
    Softmax  54 
    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MLP  98 
    示例：用MLP 进行姓氏分类  102 
    姓氏数据集 103 
    Vocabulary、Vectorizer 和DataLoader  104 
    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CNN  120 
    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DataLoader  148 
    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DataLoader  153 
    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Elman RNN  169 
    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Elman RNN）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RNN  183 
    SurnameDataset 类  183 
    矢量化数据结构  185 
    从ElmanRNN 到GRU  187 
    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 自然语言处理的高级序列建模  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 

查看详情
相关分类
计算机理论 编程与开发 操作系统 大数据与云计算 图形图像/多媒体 网站设计与网页开发 网络与通讯 硬件、嵌入式开发 办公软件 信息安全 辅助设计与工程计算 软件工程/开发项目管理
12
相关图书 / 更多
基于PyTorch的自然语言处理
基于深度学习的人工智能算法研究
褚燕华
￥29.08 起
基于PyTorch的自然语言处理
基于一体化视域的自然灾害应急资源协同配置研究
杨承亮 著；周广亮
￥48.14 起
基于PyTorch的自然语言处理
基于姿势控制原理的基本动作评估与改善训练
武田功
￥67.00 起
基于PyTorch的自然语言处理
基于构式理论的现代汉语词法模式研究
李加pan
￥42.35 起
基于PyTorch的自然语言处理
基于语篇的小学英语语音教学设计/小学英语教学方法论丛书
郑文 编
￥9.00 起
基于PyTorch的自然语言处理
基于累积损伤的机场水泥混凝土道面设计原理
蔡良才
￥75.60 起
基于PyTorch的自然语言处理
基于MATLAB/Simulink的嵌人式鲁棒控制系统设计
(保加利亚)佩特科·H.佩特科夫
￥74.50 起
基于PyTorch的自然语言处理
基于特权信息的灰色支持向量机
肖海军，王毅，黄刚，章丽萍
￥31.63 起
基于PyTorch的自然语言处理
基于ArcGIS的县级国土空间总体规划实用教程
吴宇华
￥22.06 起
基于PyTorch的自然语言处理
基于M-ACK模型的初中地理意义教学模式及其工具箱的开发与应用
戴偲聪 著
￥30.74 起
基于PyTorch的自然语言处理
基于资源环境协调度评估的国土空间生态保护与修复战略实证研究
李九一
￥19.20 起
基于PyTorch的自然语言处理
基于语料库的秦汉简帛用字研究 与秦汉简帛用字习惯研究相关的论文集
张再兴 刘艳娟 林岚
￥32.30 起
您可能感兴趣 / 更多
基于PyTorch的自然语言处理
Piero Della Francesca
Della Francesca, Piero,Maetzke, Anna
￥320.00 起
基于PyTorch的自然语言处理
ForksOverKnives-TheCookbook:Over300RecipesforPlant-BasedEatingAllThroughtheYear
Del Sroufe 著
￥40.00 起
基于PyTorch的自然语言处理
EngineeringProblemSolvingwithC
Delores M. Etter 著
￥499.00 起
基于PyTorch的自然语言处理
EngineeringProblemSolvingwithC++
Delores M. Etter 著
￥299.00 起
基于PyTorch的自然语言处理
HereLiesLinc
Delia Ray（迪莉娅·瑞） 著
￥58.00 起
基于PyTorch的自然语言处理
DarkDelicacies:Bk.3:Haunted
Del Howison、Jeff Gelb 著
￥198.00 起
基于PyTorch的自然语言处理
The Delia Collection: Puddings
Delia Smith 著
￥180.00 起
基于PyTorch的自然语言处理
Delia's Summer Collection: 140 Recipes for Summer
Delia Smith 著
￥290.00 起
基于PyTorch的自然语言处理
Handbook of Research Design and Social Measurement
Delbert C. Miller；Neil J. Salkind
￥265.00 起
基于PyTorch的自然语言处理
Architecture in the United States
Dell Upton
￥132.40 起
基于PyTorch的自然语言处理
Delia's Complete Cookery Course - Classic Edition: Vol 1-3 in 1v
Delia Smith 著
￥69.00 起
基于PyTorch的自然语言处理
The Big Bad Wolf Goes on Vacation 大坏狼去度假(精装) ISBN9781402786334
Delphine Perret
￥30.00 起
© 2002-2024 Kongfz.com 孔夫子旧书网 版权所有
关于孔网 联系我们 帮助中心 版权隐私 广告业务 工作机会 移动版 图书目录 图书标签 热搜书籍 作家大全