更新时间：2024-12-27 22:35:40
封面
版权信息
内容简介
作者简介
前言
第1章 深度学习与自然语言处理概述
1.1 自然语言处理简史
1.1.1 自然语言处理能做什么
1.1.2 自然语言处理的发展史
1.2 深度学习的兴起
1.2.1 从机器学习到深度学习
1.2.2 深度学习框架
1.2.3 TensorFlow 2程序样例
第2章 词向量的前世今生
2.1 文本预处理的流程
2.2 前深度学习时代的词向量
2.2.1 独热向量
2.2.2 分布式表示
2.3 深度学习时代的词向量
2.3.1 词向量的分类
2.3.2 可视化词向量
2.3.3 词向量在下游任务中的使用
2.4 Word2vec数学原理
2.4.1 语言模型及其评价
2.4.2 神经网络概率语言模型
2.4.3 Word2vec原理
2.5 用TensorFlow实现Word2vec
2.5.1 数据准备
2.5.2 模型构建及训练
2.5.3 词向量评估与Gensim实践
第3章 循环神经网络之一：输入和输出
3.1 循环神经网络的输入和输出
3.1.1 循环神经网络的状态与输出
3.1.2 输入和输出一一对应
3.1.3 一对多和多对一
3.1.4 任意长度的输入和输出
3.2 区分RNN和RNNCell
3.2.1 基类Layer
3.2.2 RNNCell接口
3.2.3 RNN接口
3.3 简单循环神经网络实例
3.4 三种常见的RNN
3.4.1 SimpleRNN
3.4.2 LSTM
3.4.3 GRU
3.5 双向和多层RNN
3.5.1 双向RNN
3.5.2 单向多层RNN
3.5.3 双向多层RNN
第4章 循环神经网络之二：高级
4.1 在RNN中使用Dropout
4.1.1 全连接层中的Dropout
4.1.2 RNN中的Dropout
4.2 RNN中的梯度流动
4.2.1 时序反向传播算法
4.2.2 LSTM的梯度流
4.3 RNN中的归一化方法
4.3.1 批归一化
4.3.2 层归一化
第5章 循环神经网络之三：实战技巧
5.1 序列分类
5.1.1 MNIST数字图像分类
5.1.2 变长序列处理与情感分析
5.2 超长序列的处理
5.2.1 状态传递与数据准备
5.2.2 字符级语言模型
5.3 序列标注和条件随机场
5.3.1 IOB格式
5.3.2 CONLL2003命名实体识别
5.3.3 条件随机场
5.4 中间层输出的提取
第6章 序列到序列问题
6.1 序列到序列问题概述
6.1.1 序列到序列问题的两个代表
6.1.2 三种序列到序列模型
6.2 CTC
6.2.1 CTC模型结构
6.2.2 长短序列的转换
6.2.3 计算标签序列的概率
6.2.4 CTC的推断算法
6.2.5 CTC的缺陷
6.2.6 TensorFlow中的CTC
6.3 Transducer
6.3.1 Transducer模型结构
6.3.2 Transducer的对齐网格
6.3.3 Transducer的训练算法
6.3.4 Transducer模型的推断
6.3.5 Transducer的贪心解码算法
6.3.6 Transducer的集束搜索解码算法
6.4 编码器-解码器架构
6.4.1 编码器-解码器架构简介
6.4.2 编码器-解码器架构代码示例
6.4.3 编码器-解码器架构的其他应用
6.5 文本生成问题的数据处理流程
第7章 注意力机制
7.1 编码器-解码器-注意力架构概述
7.2 两种注意力机制的具体实现
7.2.1 加性注意力
7.2.2 乘性注意力
7.2.3 对注意力机制的理解
