91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
深度學習進階：自然語言處理
深度學習進階：自然語言處理
齋藤康毅 著
陸宇杰 譯
出版時間：2020年10月
頁數(shù)：400
暢銷書《深度學習入門：基于Python的理論與實現(xiàn)》續(xù)作帶你快速直達自然語言處理領(lǐng)域!
本書有什么特點?
● 簡明易懂
本書內(nèi)容精煉，聚焦深度學習視角下的自然語言處理，延續(xù)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(shù)的理解，輕松入門自然語言處理。
● 側(cè)重原理
不依賴外部庫，使用Python 3從零開始創(chuàng)建深度學習程序，通過親自創(chuàng)建程序并運行，讀者可透徹掌握word2vec、RNN、LSTM、GRU、seq2seq和Attention等技術(shù)背后的運行原理。
● 學習曲線平緩
按照“文字介紹→代碼實現(xiàn)→分析結(jié)果→發(fā)現(xiàn)問題→進行改善”的流程，逐步深入，讀者只需具備基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)和Python知識，即可輕松讀懂。
  1. 譯者序
  2. 前言　
  3. 第1章 神經(jīng)網(wǎng)絡(luò)的復(fù)習　
  4. 1.1　數(shù)學和Python的復(fù)習　
  5. 1.1.1　向量和矩陣　
  6. 1.1.2　矩陣的對應(yīng)元素的運算　
  7. 1.1.3　廣播　
  8. 1.1.4　向量內(nèi)積和矩陣乘積　
  9. 1.1.5　矩陣的形狀檢查　
  10. 1.2　神經(jīng)網(wǎng)絡(luò)的推理　
  11. 1.2.1　神經(jīng)網(wǎng)絡(luò)的推理的全貌圖　
  12. 1.2.2　層的類化及正向傳播的實現(xiàn)
  13. 1.3　神經(jīng)網(wǎng)絡(luò)的學習　
  14. 1.3.1　損失函數(shù)
  15. 1.3.2　導(dǎo)數(shù)和梯度　
  16. 1.3.3　鏈式法則　
  17. 1.3.4　計算圖　
  18. 1.3.5　梯度的推導(dǎo)和反向傳播的實現(xiàn)　
  19. 1.3.6　權(quán)重的更新　
  20. 1.4　使用神經(jīng)網(wǎng)絡(luò)解決問題　
  21. 1.4.1　螺旋狀數(shù)據(jù)集　
  22. 1.4.2　神經(jīng)網(wǎng)絡(luò)的實現(xiàn)　
  23. 1.4.3　學習用的代碼　
  24. 1.4.4　Trainer類　
  25. 1.5　計算的高速化　
  26. 1.5.1　位精度　
  27. 1.5.2　GPU（CuPy）　
  28. 1.6　小結(jié)　
  29. 第2章 自然語言和單詞的分布式表示　
  30. 2.1　什么是自然語言處理　
  31. 2.2　同義詞詞典　
  32. 2.2.1　WordNet　
  33. 2.2.2　同義詞詞典的問題　
  34. 2.3　基于計數(shù)的方法　
  35. 2.3.1　基于Python的語料庫的預(yù)處理　
  36. 2.3.2　單詞的分布式表示　
  37. 2.3.3　分布式假設(shè)　
  38. 2.3.4　共現(xiàn)矩陣　
  39. 2.3.5　向量間的相似度　
  40. 2.3.6　相似單詞的排序　
  41. 2.4　基于計數(shù)的方法的改進　
  42. 2.4.1　點互信息　
  43. 2.4.2　降維　
  44. 2.4.3　基于SVD的降維　
  45. 2.4.4　PTB數(shù)據(jù)集　
  46. 2.4.5　基于PTB數(shù)據(jù)集的評價　
  47. 2.5　小結(jié)　
  48. 第3章 word2vec　
  49. 3.1　基于推理的方法和神經(jīng)網(wǎng)絡(luò)　
  50. 3.1.1　基于計數(shù)的方法的問題　
  51. 3.1.2　基于推理的方法的概要　
  52. 3.1.3　神經(jīng)網(wǎng)絡(luò)中單詞的處理方法　
  53. 3.2　簡單的word2vec　
  54. 3.2.1　CBOW模型的推理　
  55. 3.2.2　CBOW模型的學習　
  56. 3.2.3　word2vec的權(quán)重和分布式表示　
  57. 3.3　學習數(shù)據(jù)的準備　
  58. 3.2.1　上下文和目標詞　
  59. 3.3.2　轉(zhuǎn)化為one-hot表示　
  60. 3.4　CBOW模型的實現(xiàn)　
  61. 3.5　word2vec的補充說明　
  62. 3.5.1　CBOW模型和概率　
  63. 3.5.2　skip-gram模型　
  64. 3.5.3　基于計數(shù)與基于推理　
  65. 3.6　小結(jié)　
  66. 第4章 word2vec的高速化　
  67. 4.1　word2vec的改進①　
  68. 4.1.1　Embedding層　
  69. 4.1.2　Embedding層的實現(xiàn)　
  70. 4.2　word2vec的改進②　
  71. 4.2.1　中間層之后的計算問題　
  72. 4.2.2　從多分類到二分類　
  73. 4.2.3　Sigmoid函數(shù)和交叉熵誤差　
  74. 4.2.4　多分類到二分類的實現(xiàn)　
  75. 4.2.5　負采樣　
  76. 4.2.6　負采樣的采樣方法　
  77. 4.2.7　負采樣的實現(xiàn)　
  78. 4.3　改進版word2vec的學習　
  79. 4.3.1　CBOW模型的實現(xiàn)　
  80. 4.3.2　CBOW模型的學習代碼　
  81. 4.3.3　CBOW模型的評價　
  82. 4.4　wor2vec相關(guān)的其他話題　
  83. 4.4.1　word2vec的應(yīng)用例　
  84. 4.4.2　單詞向量的評價方法　
  85. 4.5　小結(jié)　
  86. 第5章 RNN　
  87. 5.1　概率和語言模型　
  88. 5.1.1　概率視角下的word2vec　
  89. 5.1.2　語言模型　
  90. 5.1.3　將CBOW模型用作語言模型？　
  91. 5.2　RNN　
  92. 5.2.1　循環(huán)的神經(jīng)網(wǎng)絡(luò)　
  93. 5.2.2　展開循環(huán)　
  94. 5.2.3　Backpropagation Through Time　
  95. 5.2.4　Truncated BPTT　
  96. 5.2.5　Truncated BPTT的mini-batch學習　
  97. 5.3　RNN的實現(xiàn)　
  98. 5.3.1　RNN層的實現(xiàn)　
  99. 5.3.2　Time RNN層的實現(xiàn)　
  100. 5.4　處理時序數(shù)據(jù)的層的實現(xiàn)　
  101. 5.4.1　RNNLM的全貌圖　
  102. 5.4.2　Time層的實現(xiàn)　
  103. 5.5　RNNLM的學習和評價　
  104. 5.5.1　RNNLM的實現(xiàn)　
  105. 5.5.2　語言模型的評價　
  106. 5.5.3　RNNLM的學習代碼　
  107. 5.5.4　RNNLM的Trainer類　
  108. 5.6　小結(jié)　
  109. 第6章 Gated RNN　
  110. 6.1　RNN的問題　
  111. 6.1.1　RNN的復(fù)習　
  112. 6.1.2　梯度消失和梯度爆炸　
  113. 6.1.3　梯度消失和梯度爆炸的原因　
  114. 6.1.4　梯度爆炸的對策　
  115. 6.2　梯度消失和LSTM　
  116. 6.2.1　LSTM的接口　
  117. 6.2.2　LSTM層的結(jié)構(gòu)　
  118. 6.2.3　輸出門　
  119. 6.2.4　遺忘門　
  120. 6.2.5　新的記憶單元　
  121. 6.2.6　輸入門　
  122. 6.2.7　LSTM的梯度的流動　
  123. 6.3　LSTM的實現(xiàn)　
  124. 6.4　使用LSTM的語言模型　
  125. 6.5　進一步改進RNNLM　
  126. 6.5.1　LSTM層的多層化　
  127. 6.5.2　基于Dropout抑制過擬合　
  128. 6.5.3　權(quán)重共享　
  129. 6.5.4　更好的RNNLM的實現(xiàn)　
  130. 6.5.5　前沿研究　
  131. 6.6　小結(jié)　
  132. 第7章 基于RNN生成文本　
  133. 7.1　使用語言模型生成文本　
  134. 7.1.1　使用RNN生成文本的步驟　
  135. 7.1.2　文本生成的實現(xiàn)　
  136. 7.1.3　更好的文本生成　
  137. 7.2　seq2seq模型　
  138. 7.2.1　seq2seq的原理　
  139. 7.2.2　時序數(shù)據(jù)轉(zhuǎn)換的簡單嘗試
  140. 7.2.3　可變長度的時序數(shù)據(jù)　
  141. 7.2.4　加法數(shù)據(jù)集　
  142. 7.3　seq2seq的實現(xiàn)　
  143. 7.3.1　Encoder類　
  144. 7.3.2　Decoder類　
  145. 7.3.3　Seq2seq類　
  146. 7.3.4　seq2seq的評價　
  147. 7.4　seq2seq的改進　
  148. 7.4.1　反轉(zhuǎn)輸入數(shù)據(jù)（Reverse）　
  149. 7.4.2　偷窺（Peeky）　
  150. 7.5　seq2seq的應(yīng)用　
  151. 7.5.1　聊天機器人　
  152. 7.5.2　算法學習　
  153. 7.5.3　自動圖像描述　
  154. 7.6　小結(jié)　
  155. 第8章 Attention　
  156. 8.1　Attention的結(jié)構(gòu)　
  157. 8.1.1　seq2seq存在的問題　
  158. 8.1.2　編碼器的改進　
  159. 8.1.3　解碼器的改進①　
  160. 8.1.4　解碼器的改進②　
  161. 8.1.5　解碼器的改進③　
  162. 8.2　帶Attention的seq2seq的實現(xiàn)　
  163. 8.2.1　編碼器的實現(xiàn)　
  164. 8.2.2　解碼器的實現(xiàn)　
  165. 8.2.3　seq2seq的實現(xiàn)　
  166. 8.3　Attention 的評價　
  167. 8.3.1　日期格式轉(zhuǎn)換問題　
  168. 8.3.2　帶Attention的seq2seq的學習　
  169. 8.3.3　Attention的可視化　
  170. 8.4　關(guān)于Attention的其他話題　
  171. 8.4.1　雙向RNN　
  172. 8.4.2　Attention層的使用方法　
  173. 8.4.3　seq2seq的深層化和skip connection　
  174. 8.5　Attention的應(yīng)用　
  175. 8.5.1　Google Neural Machine Translation（GNMT）　
  176. 8.5.2　Transformer　
  177. 8.5.3　Neural Turing Machine（NTM）　
  178. 8.6　小結(jié)　
  179. 附錄A　sigmoid函數(shù)和tanh函數(shù)的導(dǎo)數(shù)　
  180. A.1　sigmoid函數(shù)　
  181. A.2　tanh函數(shù)　
  182. A.3　小結(jié)　
  183. 附錄B　運行WordNet　
  184. B.1　NLTK的安裝　
  185. B.2　使用WordNet獲得同義詞　
  186. B.3　WordNet和單詞網(wǎng)絡(luò)　
  187. B.4　基于WordNet的語義相似度　
  188. 附錄C　GRU　
  189. C.1　GRU的接口　
  190. C.2　GRU的計算圖　
  191. 后記　
  192. 參考文獻　
書名：深度學習進階：自然語言處理
作者：齋藤康毅 著
譯者：陸宇杰 譯
國內(nèi)出版社：人民郵電出版社
出版時間：2020年10月
頁數(shù)：400
書號：978-7-115-54764-4
原版書書名：ゼロから作るDeep Learning2―自然言語処理編
原版書出版商：O'Reilly Media
齋藤康毅
 
1984年生于日本長崎縣，東京工業(yè)大學畢業(yè)，并完成東京大學研究生院課程。目前在某企業(yè)從事人工智能相關(guān)的研究和開發(fā)工作。著有《深度學習入門：基于Python的理論與實現(xiàn)》，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。
 
 
購買選項
定價：99.00元
書號：978-7-115-54764-4
出版社：人民郵電出版社