更新时间：2023-08-31 19:22:26
封面
版权信息
内容简介
前言
第1章 深度学习与应用框架
1.1 深度学习的概念
1.1.1 何为深度学习
1.1.2 与传统的“浅层学习”的区别
1.2 案例实战：文本的情感分类
1.2.1 第一步：数据的准备
1.2.2 第二步：数据的处理
1.2.3 第三步：模型的设计
1.2.4 第四步：模型的训练
1.2.5 第五步：模型的结果和展示
1.3 深度学习的流程、应用场景和模型分类
1.3.1 深度学习的流程与应用场景
1.3.2 深度学习的模型分类
1.4 主流深度学习的框架对比
1.4.1 深度学习框架的选择
1.4.2 本书选择：Keras与TensorFlow
1.5 本章小结
第2章 实战卷积神经网络——手写体识别
2.1 卷积神经网络理论基础
2.1.1 卷积运算
2.1.2 TensorFlow中的卷积函数
2.1.3 池化运算
2.1.4 softmax激活函数
2.1.5 卷积神经网络原理
2.2 案例实战：MNIST手写体识别
2.2.1 MNIST数据集的解析
2.2.2 MNIST数据集的特征和标签
2.2.3 TensorFlow 2.X编码实现
2.2.4 使用自定义的卷积层实现MNIST识别
2.3 本章小结
第3章 实战ResNet——CIFAR-100数据集分类
3.1 ResNet理论基础
3.1.1 ResNet诞生的背景
3.1.2 模块工具的TensorFlow实现
3.1.3 TensorFlow高级模块layers
3.2 案例实战：CIFAR-100数据集分类
3.2.1 CIFAR-100数据集的获取
3.2.2 ResNet残差模块的实现
3.2.3 ResNet网络的实现
3.2.4 使用ResNet对CIFAR-100数据集进行分类
3.3 本章小结
第4章 实战循环神经网络GRU——情感分类
4.1 情感分类理论基础
4.1.1 复习简单的情感分类
4.1.2 什么是GRU
4.1.3 TensorFlow中的GRU层
4.1.4 双向GRU
4.2 案例实战：情感分类
4.2.1 使用TensorFlow自带的模型来实现分类
4.2.2 使用自定义的DPCNN来实现分类
4.3 本章小结
第5章 实战图卷积——文本情感分类
5.1 图卷积理论基础
5.1.1 “节点”“邻接矩阵”和“度矩阵”的物理意义
5.1.2 图卷积的理论计算
5.1.3 图卷积神经网络的传播规则
5.2 案例实战：Cora数据集文本分类
5.2.1 Cora数据集简介
5.2.2 Cora数据集的读取与数据处理
5.2.3 图卷积模型的设计与实现
5.2.4 图卷积模型的训练与改进
5.3 案例实战：基于图卷积的情感分类（图卷积前沿内容）
5.3.1 文本结构化处理的思路与实现
5.3.2 使用图卷积对文本进行分类实战
5.3.3 图卷积模型的改进
5.4 本章小结
第6章 实战自然语言处理——编码器
6.1 编码器理论基础
6.1.1 输入层——初始词向量层和位置编码器层
6.1.2 自注意力层
6.1.3 ticks和LayerNormalization
6.1.4 多头自注意力
6.2 案例实战：简单的编码器
6.2.1 前馈层的实现
6.2.2 编码器的实现
6.3 案例实战：汉字拼音转化模型
6.3.1 汉字拼音数据集处理
6.3.2 汉字拼音转化模型的确定
6.3.3 模型训练部分的编写
6.3.4 推断函数的编写
6.4 本章小结
第7章 实战BERT——中文文本分类
7.1 BERT理论基础
7.1.1 BERT基本架构与应用
7.1.2 BERT预训练任务与Fine-Tuning
7.2 案例实战：中文文本分类
7.2.1 使用Hugging Face获取BERT预训练模型
7.2.2 BERT实战文本分类
7.3 拓展：更多的预训练模型
7.4 本章小结
第8章 实战自然语言处理——多标签文本分类
8.1 多标签分类理论基础
8.1.1 多标签分类不等于多分类
8.1.2 多标签分类的激活函数——sigmoid
8.2 案例实战：多标签文本分类
8.2.1 第一步：数据的获取与处理
