深度学习自然语言处理实战

参考文献

8.5 代码实战：预训练模型

8.4 其他预训练模型

8.3 BERT的可解释性

8.2 BERT的工作原理

8.1 BERT的基本概念

第8章 预训练语言模型BERT

7.2 Transformer

7.1 ELMo

第7章 大规模预训练模型

6.4 代码实战：应用PyTorch搭建机器翻译模型

6.3 Seq2Seq训练与预测

6.2 Attention机制

6.1 Encoder-Decoder结构

第6章 Seq2Seq模型与Attention机制

5.3 代码实战：CNN情感分类实战

5.2 空洞卷积神经网络

5.1 卷积神经网络的概念

第5章 卷积神经网络在NLP领域的应用

4.4 代码实战：搭建LSTM/GRU的文本分类器

4.3 改进方法

4.2 梯度消失与爆炸

4.1 循环神经网络

第4章 序列模型与梯度消失/爆炸

3.3 代码实战

3.2 词向量

3.1 语言模型

第3章 语言模型与词向量

2.4 PyTorch nn模块

2.3 PyTorch自动求梯度

2.2 PyTorch入门

2.1 环境配置

第2章 深度学习的软件框架

1.2 深度学习神经网络

1.1 深度学习概况

第1章 深度学习理论基础

前言

致数字化人才的一封信

版权页

前折页

封面

封面

前折页

版权页

致数字化人才的一封信

前言

第1章 深度学习理论基础

1.1 深度学习概况

1.2 深度学习神经网络

第2章 深度学习的软件框架

2.1 环境配置

2.2 PyTorch入门

2.3 PyTorch自动求梯度

2.4 PyTorch nn模块

第3章 语言模型与词向量

3.1 语言模型

3.2 词向量

3.3 代码实战

第4章 序列模型与梯度消失/爆炸

4.1 循环神经网络

4.2 梯度消失与爆炸

4.3 改进方法

4.4 代码实战：搭建LSTM/GRU的文本分类器

第5章 卷积神经网络在NLP领域的应用

5.1 卷积神经网络的概念

5.2 空洞卷积神经网络

5.3 代码实战：CNN情感分类实战

第6章 Seq2Seq模型与Attention机制

6.1 Encoder-Decoder结构

6.2 Attention机制

6.3 Seq2Seq训练与预测

6.4 代码实战：应用PyTorch搭建机器翻译模型

第7章 大规模预训练模型

7.1 ELMo

7.2 Transformer

第8章 预训练语言模型BERT

8.1 BERT的基本概念

8.2 BERT的工作原理

8.3 BERT的可解释性

8.4 其他预训练模型

8.5 代码实战：预训练模型

参考文献