自然語言處理實戰(zhàn)：預訓練模型應(yīng)用及其產(chǎn)品化

前言1
第一部分 浮光掠影
第1章 自然語言處理介紹11
1.1 什么是自然語言處理12
1.2 基本的自然語言處理19
1.3 總結(jié)38
第2章 Transformer和遷移學習40
2.1 利用fast.ai庫進行訓練41
2.2 利用Hugging Face系列庫進行推理54
2.3 總結(jié)60
第3章 NLP任務(wù)和應(yīng)用程序61
3.1 預訓練語言模型61
3.2 遷移學習和微調(diào)62
3.3 NLP任務(wù)63
3.4 自然語言數(shù)據(jù)集65
3.5 NLP任務(wù)1：命名實體識別70
3.6 NLP任務(wù)2：文本分類84
3.7 總結(jié)92
第二部分 綱舉目張
第4章 分詞97
4.1 一個極簡的分詞器98
4.2 Hugging Face的分詞器100
4.3 搭建自己的分詞器103
4.4 總結(jié)106
第5章 向量嵌入：計算機如何“理解”單詞107
5.1 理解文本與讀取文本107
5.2 詞向量111
5.3 詞向量嵌入實踐116
5.4 非詞條的嵌入122
5.5 總結(jié)126
第6章 循環(huán)神經(jīng)網(wǎng)絡(luò)和其他序列模型128
6.1 循環(huán)神經(jīng)網(wǎng)絡(luò)130
6.2 長短期記憶網(wǎng)絡(luò)142
6.3 門控循環(huán)單元143
6.4 總結(jié)144
第7章 Transformer146
7.1 從頭開始構(gòu)建Transformer146
7.2 注意力機制148
7.3 計算機視覺Transformer161
7.4 總結(jié)162
第8章 BERT方法論：博采眾長創(chuàng)新篇164
8.1 ImageNet164
8.2 通往NLP“ImageNet時刻”之路165
8.3 預訓練的詞向量嵌入166
8.4 序列模型170
8.5 循環(huán)神經(jīng)網(wǎng)絡(luò)172
8.6 注意力機制176
8.7 Transformer架構(gòu)178
8.8 NLP的“ImageNet時刻”181
8.9 總結(jié)184
第三部分 經(jīng)世致用
第9章 工欲善其事，必先利其器187
9.1 深度學習框架188
9.2 可視化與實驗跟蹤193
9.3 AutoML196
9.4 機器學習基礎(chǔ)設(shè)施和計算198
9.5 邊緣/終端側(cè)推理201
9.6 云推理和機器學習即服務(wù)203
9.7 持續(xù)集成和持續(xù)交付205
9.8 總結(jié)205
第10章 可視化207
10.1 我們的第一個Streamlit應(yīng)用程序208
10.2 總結(jié)220
第11章 產(chǎn)品化222
11.1 數(shù)據(jù)科學家、工程師和分析師222
11.2 Databricks：你的統(tǒng)一數(shù)據(jù)分析平臺224
11.3 Databricks的安裝228
11.4 機器學習作業(yè)243
11.5 MLflow249
11.6 Databricks的替代品260
11.7 總結(jié)261
第12章 歸納提升263
12.1 最后十課263
12.2 最后的話268
附錄A 大規(guī)模訓練269
附錄B CUDA273