預(yù)訓(xùn)練語言模型

定　價(jià)：￥109.00

作　者：	邵浩著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥109.00)

ISBN：	9787121409998	出版時(shí)間：	2021-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	216	字?jǐn)?shù)：

內(nèi)容簡介

　　預(yù)訓(xùn)練語言模型屬于人工智能領(lǐng)域中自然語言處理領(lǐng)域的一個細(xì)分。本書主要介紹預(yù)訓(xùn)練語言模型。預(yù)訓(xùn)練語言模型是自然語言處理領(lǐng)域的重要突破，得到了越來越廣泛的關(guān)注，相關(guān)研究者和從業(yè)人員在實(shí)際應(yīng)用的過程中，亟需一本理論翔實(shí)、代碼細(xì)節(jié)充分的參考書。本書詳細(xì)梳理了預(yù)訓(xùn)練語言模型的基本概念和理論基礎(chǔ)，并通過實(shí)際代碼的講解，闡述了具有代表性的預(yù)訓(xùn)練語言模型的實(shí)現(xiàn)細(xì)節(jié)，非常適合需要快速、全面掌握預(yù)訓(xùn)練語言模型的從業(yè)者閱讀。

作者簡介

　　邵　浩日本國立九州大學(xué)工學(xué)博士，現(xiàn)就職于vivo。曾任狗尾草智能科技AI研究院院長，帶領(lǐng)團(tuán)隊(duì)打造了AI虛擬生命產(chǎn)品的交互引擎。曾是上海對外經(jīng)貿(mào)大學(xué)副教授，碩士生導(dǎo)師。是上海市靜安區(qū)首屆優(yōu)秀人才，上海市人才發(fā)展基金獲得者，杭州市高層次人才。任中國中文信息學(xué)會青年工作委員會委員，語言與知識計(jì)算專委會委員，中國計(jì)算機(jī)學(xué)會語音對話與聽覺專業(yè)組委員，中文信息技術(shù)專委會委員。發(fā)表論文50余篇，獲專利10余項(xiàng)，主持多項(xiàng)***及省部級課題，曾在聯(lián)合國、世界貿(mào)易組織、亞利桑那州立大學(xué)、香港城市大學(xué)等機(jī)構(gòu)任訪問學(xué)者。劉一烽全國中學(xué)生物理競賽保送生，清華大學(xué)電子系碩士，曾獲學(xué)習(xí)成績優(yōu)異獎學(xué)金?，F(xiàn)任vivo人工智能研究院AI算法工程師，主要研究方向?yàn)閺?qiáng)化學(xué)習(xí)、自然語言處理，主導(dǎo)游戲AI和機(jī)器翻譯核心算法研發(fā)工作。

圖書目錄

第 1 章預(yù)訓(xùn)練語言模型簡介 1
1．1自然語言處理研究進(jìn)展 1
1．2預(yù)訓(xùn)練語言模型：為什么要預(yù)訓(xùn)練 4
1．2．1預(yù)訓(xùn)練 4
1．2．2自然語言表示 5
1．2．3預(yù)訓(xùn)練語言模型發(fā)展史及分類 8
第 2 章預(yù)訓(xùn)練語言模型基礎(chǔ)知識 13
2．1統(tǒng)計(jì)語言模型 14
2．2神經(jīng)網(wǎng)絡(luò)語言模型 17
2．3詞向量：解決相似單詞的距離問題 19
2．4RNN 和 LSTM 基礎(chǔ) 25
2．5基于 RNN 的語言模型 29
2．6ELMo：解決多義詞的表示問題 32
第 3 章 Transformer 與 Attention 37
3．1Transformer 的結(jié)構(gòu) 37
3．2Self-Attention：從全局中找到重點(diǎn) 43
3．3位置編碼：為什么有效 54
3．4單向掩碼：另一種掩碼機(jī)制 58
3．5代碼解讀：模型訓(xùn)練技巧 61
3．5．1訓(xùn)練技巧 1：歸一化層前置 62
3．5．2訓(xùn)練技巧 2：梯度累積 64
第 4 章 GPT 系列模型 69
4．1GPT 的結(jié)構(gòu)：基于 Transformer Decoder 69
4．2GPT 任務(wù)改寫：如何在不同任務(wù)中使用 GPT 71
4．3GPT 核心代碼解讀 74
4．4GPT-2：Zero-shot Learning 的潛力 79
4．4．1N-shot Learning 79
4．4．2核心思想 80
4．4．3模型結(jié)構(gòu) 81
4．5GPT-3：Few-shot Learning 的優(yōu)秀表現(xiàn) 82
4．5．1看詞造句 84
4．5．2語法糾錯 84
4．5．3GPT-3 的爭議 85
第 5 章 BERT 模型 87
5．1BERT：公認(rèn)的里程碑 87
5．2BERT 的結(jié)構(gòu)：強(qiáng)大的特征提取能力 88
5．3無監(jiān)督訓(xùn)練：掩碼語言模型和下句預(yù)測 91
5．3．1MLM 91
5．3．2NSP 93
5．3．3輸入表示 94
5．4微調(diào)訓(xùn)練：適應(yīng)下游任務(wù) 95
5．4．1句對分類 95
5．4．2單句分類 96
5．4．3文本問答 97
5．4．4單句標(biāo)注 99
5．5核心代碼解讀：預(yù)訓(xùn)練和微調(diào) 100
5．5．1BERT 預(yù)訓(xùn)練模型 101
5．5．2BERT 微調(diào)模型 110
5．6BERT 總結(jié) 117
第 6 章后 BERT 時(shí)代的模型 119
6．1XLM：跨語言模型 119
6．1．1優(yōu)化方向 119
6．1．2算法細(xì)節(jié) 120
6．1．3 小結(jié) 121
6．2MT-DNN：多任務(wù)融合 121
6．2．1優(yōu)化方向 121
6．2．2算法細(xì)節(jié) 122
6．2．3 小結(jié) 124
6．3UniLM：獲得文本生成能力 124
6．3．1優(yōu)化方向 124
6．3．2算法細(xì)節(jié) 125
6．3．3 小結(jié) 127
6．4SpanBERT：擴(kuò)大掩碼范圍 127
6．4．1優(yōu)化方向 127
6．4．2算法細(xì)節(jié) 128
6．4．3 小結(jié) 129
6．5XLNet：置換自回歸 130
6．5．1優(yōu)化方向 130
6．5．2算法細(xì)節(jié) 130
6．5．3 小結(jié) 135
6．6ERNIE：知識圖譜 136
6．6．1優(yōu)化方向 136
6．6．2算法細(xì)節(jié) 136
6．6．3 小結(jié) 139
6．7VideoBERT：多模態(tài)融合 139
6．7．1優(yōu)化方向 139
6．7．2算法細(xì)節(jié) 140
6．7．3 小結(jié) 141
6．8ALBERT：參數(shù)共享 142
6．8．1優(yōu)化方向 142
6．8．2算法細(xì)節(jié) 143
6．8．3 小結(jié) 145
6．9RoBERTa：更大的模型 145
6．9．1優(yōu)化方向 145
6．9．2算法細(xì)節(jié) 146
6．9．3 小結(jié) 146
6．10BART：編解碼結(jié)構(gòu) 146
6．10．1優(yōu)化方向 146
6．10．2算法細(xì)節(jié) 147
6．10．3 小結(jié) 149
6．11T5：大一統(tǒng)模型 149
6．11．1優(yōu)化方向 149
6．11．2算法細(xì)節(jié) 150
6．11．3 小結(jié) 153
6．12 總結(jié) 154
第 7 章評測和應(yīng)用 157
7．1評測任務(wù) 157
7．1．1通用評測任務(wù) 157
7．1．2領(lǐng)域評測任務(wù) 162
7．1．3其他評測任務(wù) 167
7．2模型應(yīng)用：Transformers 代碼實(shí)戰(zhàn) 168
7．2．1 安裝 168
7．2．2快速上手指南 170
7．2．3微調(diào)訓(xùn)練 172
7．2．4BERT 應(yīng)用 175
7．3模型壓縮：量化、剪枝和蒸餾 179
7．3．1BERT 模型分析 179
7．3．2 量化 181
7．3．3 剪枝 181
7．3．4 蒸餾 182
7．3．5 結(jié)構(gòu)無損壓縮 187
7．4模型擴(kuò)展：多模態(tài)預(yù)訓(xùn)練 188
7．4．1單流模型 189
7．4．2雙流模型 191
第 8 章總結(jié)和展望 195
8．1預(yù)訓(xùn)練語言模型的發(fā)展現(xiàn)狀 195
8．2預(yù)訓(xùn)練語言模型的未來展望 199
參考文獻(xiàn) 203