掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習進階:自然語言處理 版權信息
- ISBN：9787115547644
- 條形碼：9787115547644 ; 978-7-115-54764-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習進階:自然語言處理 本書特色
豆瓣評分9.4的暢銷書《深度學習入門：基于Python的理論與實現》續作，帶你快速直達自然語言處理領域！1.簡明易懂本書內容精煉，聚焦深度學習視角下的自然語言處理，延續前作的行文風格，采用通俗的語言和大量直觀的示意圖詳細講解，幫助讀者加深對深度學習技術的理解，輕松入門自然語言處理。2.側重原理不依賴外部庫，使用Python 3從零開始創建深度學習程序，通過親自創建程序并運行，讀者可透徹掌握word2vec、RNN、LSTM、GRU、seq2seq和Attention等技術背后的運行原理。3.學習曲線平緩按照“文字介紹→代碼實現→分析結果→發現問題→進行改善”的流程，逐步深入，讀者只需具備基礎的神經網絡和Python知識，即可輕松讀懂。4.提供源代碼5.雙色印刷
深度學習進階:自然語言處理 內容簡介
《深度學習進階：自然語言處理》是《深度學習入門：基于Python 的理論與實現》的續作，圍繞自然語言處理和時序數據處理，介紹深度學習中的重要技術，包括word2vec、RNN、LSTM、GRU、seq2seq 和Attention 等。本書語言平實，結合大量示意圖和Python代碼，按照“提出問題”“思考解決問題的新方法”“加以改善”的流程，基于深度學習解決自然語言處理相關的各種問題，使讀者在此過程中更深入地理解深度學習中的重要技術。
深度學習進階:自然語言處理 目錄
譯者序 xi
前言 xiii
第 1 章 神經網絡的復習 1
1．1 數學和Python的復習 1
1．1．1 向量和矩陣 1
1．1．2 矩陣的對應元素的運算 4
1．1．3 廣播 4
1．1．4 向量內積和矩陣乘積 6
1．1．5 矩陣的形狀檢查 7
1．2 神經網絡的推理 8
1．2．1 神經網絡的推理的全貌圖 8
1．2．2 層的類化及正向傳播的實現 14
1．3 神經網絡的學習 18
1．3．1 損失函數 18
1．3．2 導數和梯度 21
1．3．3 鏈式法則 23
1．3．4 計算圖 24
1．3．5 梯度的推導和反向傳播的實現 35
1．3．6 權重的更新 39
1．4 使用神經網絡解決問題 41
1．4．1 螺旋狀數據集 41
1．4．2 神經網絡的實現 43
1．4．3 學習用的代碼 45
1．4．4 Trainer 類 49
1．5 計算的高速化 50
1．5．1 位精度 51
1．5．2 GPU（CuPy） 52
1．6 小結 54
第 2 章 自然語言和單詞的分布式表示 57
2．1 什么是自然語言處理 57
2．2 同義詞詞典 59
2．2．1 WordNet 61
2．2．2 同義詞詞典的問題 61
2．3 基于計數的方法 63
2．3．1 基于Python的語料庫的預處理 63
2．3．2 單詞的分布式表示 66
2．3．3 分布式假設 67
2．3．4 共現矩陣 68
2．3．5 向量間的相似度 72
2．3．6 相似單詞的排序 74
2．4 基于計數的方法的改進 77
2．4．1 點互信息 77
2．4．2 降維 81
2．4．3 基于SVD的降維 84
2．4．4 PTB數據集 86
2．4．5 基于PTB數據集的評價 88
2．5 小結 91
第3 章 word2vec 93
3．1 基于推理的方法和神經網絡 93
3．1．1 基于計數的方法的問題 94
3．1．2 基于推理的方法的概要 95
3．1．3 神經網絡中單詞的處理方法 96
3．2 簡單的word2vec 101
3．2．1 CBOW模型的推理 101
3．2．2 CBOW模型的學習 106
3．2．3 word2vec的權重和分布式表示 108
3．3 學習數據的準備 110
3．2．1 上下文和目標詞 110
3．3．2 轉化為one-hot 表示 113
3．4 CBOW模型的實現 114
3．5 word2vec的補充說明 120
3．5．1 CBOW模型和概率 121
3．5．2 skip-gram 模型 122
3．5．3 基于計數與基于推理 125
3．6 小結 127
第4 章 word2vec的高速化 129
4．1 word2vec的改進① 129
4．1．1 Embedding層 132
4．1．2 Embedding層的實現 133
4．2 word2vec的改進② 137
4．2．1 中間層之后的計算問題 138
4．2．2 從多分類到二分類 139
4．2．3 Sigmoid 函數和交叉熵誤差 141
4．2．4 多分類到二分類的實現 144
4．2．5 負采樣 148
4．2．6 負采樣的采樣方法 151
4．2．7 負采樣的實現 154
4．3 改進版word2vec的學習 156
4．3．1 CBOW模型的實現 156
4．3．2 CBOW模型的學習代碼 159
4．3．3 CBOW模型的評價 161
4．4 wor2vec相關的其他話題 165
4．4．1 word2vec的應用例 166
4．4．2 單詞向量的評價方法 168
4．5 小結 170
第5 章 RNN 173
5．1 概率和語言模型 173
5．1．1 概率視角下的word2vec 174
5．1．2 語言模型 176
5．1．3 將CBOW模型用作語言模型？ 178
5．2 RNN 181
5．2．1 循環的神經網絡 181
5．2．2 展開循環 183
5．2．3 Backpropagation Through Time 185
5．2．4 Truncated BPTT 186
5．2．5 Truncated BPTT的mini-batch 學習 190
5．3 RNN的實現 192
5．3．1 RNN層的實現 193
5．3．2 Time RNN層的實現 197
5．4 處理時序數據的層的實現 202
5．4．1 RNNLM的全貌圖 202
5．4．2 Time層的實現 205
5．5 RNNLM的學習和評價 207
5．5．1 RNNLM的實現 207
5．5．2 語言模型的評價 211
5．5．3 RNNLM的學習代碼 213
5．5．4 RNNLM的Trainer類 216
5．6 小結 217
第6 章 Gated RNN 219
6．1 RNN的問題 220
6．1．1 RNN的復習 220
6．1．2 梯度消失和梯度爆炸 221
6．1．3 梯度消失和梯度爆炸的原因 223
6．1．4 梯度爆炸的對策 228
6．2 梯度消失和LSTM 229
6．2．1 LSTM的接口 230
6．2．2 LSTM層的結構 231
6．2．3 輸出門 234
6．2．4 遺忘門 236
6．2．5 新的記憶單元 237
6．2．6 輸入門 238
6．2．7 LSTM的梯度的流動 239
6．3 LSTM的實現 240
6．4 使用LSTM的語言模型 248
6．5 進一步改進RNNLM 255
6．5．1 LSTM層的多層化 256
6．5．2 基于Dropout抑制過擬合 257
6．5．3 權重共享 262
6．5．4 更好的RNNLM的實現 263
6．5．5 前沿研究 269
6．6 小結 270
第7 章 基于RNN生成文本 273
7．1 使用語言模型生成文本 274
7．1．1 使用RNN生成文本的步驟 274
7．1．2 文本生成的實現 278
7．1．3 更好的文本生成 281
7．2 seq2seq 模型 283
7．2．1 seq2seq 的原理 283
7．2．2 時序數據轉換的簡單嘗試 287
7．2．3 可變長度的時序數據 288
7．2．4 加法數據集 290
7．3 seq2seq 的實現 291
7．3．1 Encoder類 291
7．3．2 Decoder類 295
7．3．3 Seq2seq 類 300
7．3．4 seq2seq 的評價 301
7．4 seq2seq 的改進 305
7．4．1 反轉輸入數據（Reverse） 305
7．4．2 偷窺（Peeky） 308
7．5 seq2seq 的應用 313
7．5．1 聊天機器人 314
7．5．2 算法學習 315
7．5．3 自動圖像描述 316
7．6 小結 318
第8 章 Attention 321
8．1 Attention 的結構 321
8．1．1 seq2seq 存在的問題 322
8．1．2 編碼器的改進 323
8．1．3 解碼器的改進① 325
8．1．4 解碼器的改進② 333
8．1．5 解碼器的改進③ 339
8．2 帶Attention 的seq2seq 的實現 344
8．2．1 編碼器的實現 344
8．2．2 解碼器的實現 345
8．2．3 seq2seq 的實現 347
8．3 Attention 的評價 347
8．3．1 日期格式轉換問題 348
8．3．2 帶Attention 的seq2seq 的學習 349
8．3．3 Attention 的可視化 353
8．4 關于Attention 的其他話題 356
8．4．1 雙向RNN 356
8．4．2 Attention 層的使用方法 358
8．4．3 seq2seq 的深層化和skip connection 360
8．5 Attention 的應用 363
8．5．1 Google Neural Machine Translation（GNMT） 363
8．5．2 Transformer 365
8．5．3 Neural Turing Machine（NTM） 369
8．6 小結 373
附錄A sigmoid 函數和tanh 函數的導數 375
A．1 sigmoid 函數 375
A．2 tanh 函數 378
A．3 小結 380
附錄B 運行WordNet 381
B．1 NLTK的安裝 381
B．2 使用WordNet獲得同義詞 382
B．3 WordNet和單詞網絡 384
B．4 基于WordNet的語義相似度 385
附錄C GRU 387
C．1 GRU的接口 387
C．2 GRU的計算圖 388
后記 391
參考文獻 395
前言 xiii
第 1 章 神經網絡的復習 1
1．1 數學和Python的復習 1
1．1．1 向量和矩陣 1
1．1．2 矩陣的對應元素的運算 4
1．1．3 廣播 4
1．1．4 向量內積和矩陣乘積 6
1．1．5 矩陣的形狀檢查 7
1．2 神經網絡的推理 8
1．2．1 神經網絡的推理的全貌圖 8
1．2．2 層的類化及正向傳播的實現 14
1．3 神經網絡的學習 18
1．3．1 損失函數 18
1．3．2 導數和梯度 21
1．3．3 鏈式法則 23
1．3．4 計算圖 24
1．3．5 梯度的推導和反向傳播的實現 35
1．3．6 權重的更新 39
1．4 使用神經網絡解決問題 41
1．4．1 螺旋狀數據集 41
1．4．2 神經網絡的實現 43
1．4．3 學習用的代碼 45
1．4．4 Trainer 類 49
1．5 計算的高速化 50
1．5．1 位精度 51
1．5．2 GPU（CuPy） 52
1．6 小結 54
第 2 章 自然語言和單詞的分布式表示 57
2．1 什么是自然語言處理 57
2．2 同義詞詞典 59
2．2．1 WordNet 61
2．2．2 同義詞詞典的問題 61
2．3 基于計數的方法 63
2．3．1 基于Python的語料庫的預處理 63
2．3．2 單詞的分布式表示 66
2．3．3 分布式假設 67
2．3．4 共現矩陣 68
2．3．5 向量間的相似度 72
2．3．6 相似單詞的排序 74
2．4 基于計數的方法的改進 77
2．4．1 點互信息 77
2．4．2 降維 81
2．4．3 基于SVD的降維 84
2．4．4 PTB數據集 86
2．4．5 基于PTB數據集的評價 88
2．5 小結 91
第3 章 word2vec 93
3．1 基于推理的方法和神經網絡 93
3．1．1 基于計數的方法的問題 94
3．1．2 基于推理的方法的概要 95
3．1．3 神經網絡中單詞的處理方法 96
3．2 簡單的word2vec 101
3．2．1 CBOW模型的推理 101
3．2．2 CBOW模型的學習 106
3．2．3 word2vec的權重和分布式表示 108
3．3 學習數據的準備 110
3．2．1 上下文和目標詞 110
3．3．2 轉化為one-hot 表示 113
3．4 CBOW模型的實現 114
3．5 word2vec的補充說明 120
3．5．1 CBOW模型和概率 121
3．5．2 skip-gram 模型 122
3．5．3 基于計數與基于推理 125
3．6 小結 127
第4 章 word2vec的高速化 129
4．1 word2vec的改進① 129
4．1．1 Embedding層 132
4．1．2 Embedding層的實現 133
4．2 word2vec的改進② 137
4．2．1 中間層之后的計算問題 138
4．2．2 從多分類到二分類 139
4．2．3 Sigmoid 函數和交叉熵誤差 141
4．2．4 多分類到二分類的實現 144
4．2．5 負采樣 148
4．2．6 負采樣的采樣方法 151
4．2．7 負采樣的實現 154
4．3 改進版word2vec的學習 156
4．3．1 CBOW模型的實現 156
4．3．2 CBOW模型的學習代碼 159
4．3．3 CBOW模型的評價 161
4．4 wor2vec相關的其他話題 165
4．4．1 word2vec的應用例 166
4．4．2 單詞向量的評價方法 168
4．5 小結 170
第5 章 RNN 173
5．1 概率和語言模型 173
5．1．1 概率視角下的word2vec 174
5．1．2 語言模型 176
5．1．3 將CBOW模型用作語言模型？ 178
5．2 RNN 181
5．2．1 循環的神經網絡 181
5．2．2 展開循環 183
5．2．3 Backpropagation Through Time 185
5．2．4 Truncated BPTT 186
5．2．5 Truncated BPTT的mini-batch 學習 190
5．3 RNN的實現 192
5．3．1 RNN層的實現 193
5．3．2 Time RNN層的實現 197
5．4 處理時序數據的層的實現 202
5．4．1 RNNLM的全貌圖 202
5．4．2 Time層的實現 205
5．5 RNNLM的學習和評價 207
5．5．1 RNNLM的實現 207
5．5．2 語言模型的評價 211
5．5．3 RNNLM的學習代碼 213
5．5．4 RNNLM的Trainer類 216
5．6 小結 217
第6 章 Gated RNN 219
6．1 RNN的問題 220
6．1．1 RNN的復習 220
6．1．2 梯度消失和梯度爆炸 221
6．1．3 梯度消失和梯度爆炸的原因 223
6．1．4 梯度爆炸的對策 228
6．2 梯度消失和LSTM 229
6．2．1 LSTM的接口 230
6．2．2 LSTM層的結構 231
6．2．3 輸出門 234
6．2．4 遺忘門 236
6．2．5 新的記憶單元 237
6．2．6 輸入門 238
6．2．7 LSTM的梯度的流動 239
6．3 LSTM的實現 240
6．4 使用LSTM的語言模型 248
6．5 進一步改進RNNLM 255
6．5．1 LSTM層的多層化 256
6．5．2 基于Dropout抑制過擬合 257
6．5．3 權重共享 262
6．5．4 更好的RNNLM的實現 263
6．5．5 前沿研究 269
6．6 小結 270
第7 章 基于RNN生成文本 273
7．1 使用語言模型生成文本 274
7．1．1 使用RNN生成文本的步驟 274
7．1．2 文本生成的實現 278
7．1．3 更好的文本生成 281
7．2 seq2seq 模型 283
7．2．1 seq2seq 的原理 283
7．2．2 時序數據轉換的簡單嘗試 287
7．2．3 可變長度的時序數據 288
7．2．4 加法數據集 290
7．3 seq2seq 的實現 291
7．3．1 Encoder類 291
7．3．2 Decoder類 295
7．3．3 Seq2seq 類 300
7．3．4 seq2seq 的評價 301
7．4 seq2seq 的改進 305
7．4．1 反轉輸入數據（Reverse） 305
7．4．2 偷窺（Peeky） 308
7．5 seq2seq 的應用 313
7．5．1 聊天機器人 314
7．5．2 算法學習 315
7．5．3 自動圖像描述 316
7．6 小結 318
第8 章 Attention 321
8．1 Attention 的結構 321
8．1．1 seq2seq 存在的問題 322
8．1．2 編碼器的改進 323
8．1．3 解碼器的改進① 325
8．1．4 解碼器的改進② 333
8．1．5 解碼器的改進③ 339
8．2 帶Attention 的seq2seq 的實現 344
8．2．1 編碼器的實現 344
8．2．2 解碼器的實現 345
8．2．3 seq2seq 的實現 347
8．3 Attention 的評價 347
8．3．1 日期格式轉換問題 348
8．3．2 帶Attention 的seq2seq 的學習 349
8．3．3 Attention 的可視化 353
8．4 關于Attention 的其他話題 356
8．4．1 雙向RNN 356
8．4．2 Attention 層的使用方法 358
8．4．3 seq2seq 的深層化和skip connection 360
8．5 Attention 的應用 363
8．5．1 Google Neural Machine Translation（GNMT） 363
8．5．2 Transformer 365
8．5．3 Neural Turing Machine（NTM） 369
8．6 小結 373
附錄A sigmoid 函數和tanh 函數的導數 375
A．1 sigmoid 函數 375
A．2 tanh 函數 378
A．3 小結 380
附錄B 運行WordNet 381
B．1 NLTK的安裝 381
B．2 使用WordNet獲得同義詞 382
B．3 WordNet和單詞網絡 384
B．4 基于WordNet的語義相似度 385
附錄C GRU 387
C．1 GRU的接口 387
C．2 GRU的計算圖 388
后記 391
參考文獻 395
展開全部
深度學習進階:自然語言處理 作者簡介
齋藤康毅（作者）1984年生于日本長崎縣，東京工業大學畢業，并完成東京大學研究生院課程。目前在某企業從事人工智能相關的研究和開發工作。著有《深度學習入門：基于Python的理論與實現》，同時也是Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版譯者。陸宇杰（譯者）長期從事自然語言處理、知識圖譜、深度學習相關的研究和開發工作。譯有《深度學習入門：基于Python的理論與實現》。
書友推薦
- >
月亮虎
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
龍榆生：詞曲概論/大家小書
- >
山海經
- >
經典常談
- >
有舍有得是人生
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
史學評論
本類暢銷
