深入理解Transformer自然語言處理-使用Python,PyTouch,TensorFlow,BERT,RoBER
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：北京理工大學
物品所在地：中國大陸
原出版社：北京理工大學
NT$630
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202310*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：深入理解Transformer自然語言處理-使用Python,PyTouch,TensorFlow,BERT,RoBERTa為NLP構建深度神經網絡 ISBN：9787576328936 出版社：北京理工大學 著編譯者：丹尼斯.羅思曼 頁數：267 所在地：中國大陸 *此為代購商品 書號：1597282 可大量預訂，請先連絡。 【台灣高等教育出版社簡體書】 深入理解Transformer自然語言處理-使用Python,PyTouch,TensorFlow,BERT,RoBERTa為NLP構建深度神經網絡 787576328936 丹尼斯.羅思曼 內容簡介 本書內容包括Transformer模型架構的基礎知識與各種專題應用內容，涵蓋大模型原理與應用的方方面畫。前7章作為基礎部分，首先講述Transformer模型架構的入門知識以及基於Transformer架構的BERT模型微調。隨後描述基於BERT增強的RoBERTa模型的基礎訓練方法，接下來講述使用Transformer模型完成各種下游任務，如語言翻譯、文本生成與文本摘要。其中文本生成使用與目前火熱的ChatGPT模型架構一致的GPT和GPT2模型。從第8章開始講述較深入的專題內容，包括Transformer模型架構開發與應用中比較重要的標記解析器與數據集的匹配問題，高級的應用如語義角色標註、問答、情感分析以及假新聞檢測等。作者簡介 丹尼斯·羅思曼，畢業於索邦大學和巴黎狄德羅大學，設計了第一個word2matrix專利嵌入和向量化系統。他開始了自己的職業生涯，創作了第一批人工智慧認知自然語言處理（Natural Language Processing，NLP）聊天機器人和其他公司的自動語言教師。他為IBM 和服裝生產商編寫了一個人工智慧資源優化器，並在世界範圍內使用了一個先進的計劃和調度（Advanced Planning and Scheduling，APS）解決方案。目錄 第1部分 Transformer架構介紹第1章 Transformer模型架構入門 1 1 Transformer的背景 1 2 Transformer的崛起：Attention Is All You Need 1 2 1 編碼器堆棧 1 2 2 解碼器堆棧 1 3 訓練和表現 本章小結 問題 參考文獻 第2章 微調BERT模型 2 1 BERT的架構 2 1 1 編碼器堆棧 2 1 2 預訓練和微調BERT模型 2 2 微調BERT 2 2 1 激活GPU 2 2 2 為BERT安裝Hugging Face的PyTorch介面 2 2 3 導入模塊 2 2 4 指定CUDA作為torch的設備 2 2 5 載入數據集 2 2 6 創建句子、標籤列表和添加BERT標記 2 2 7 激活BERT標記解析器 2 2 8 處理數據 2 2 9 創建注意力掩碼 2 2 10 將數據拆分為訓練集和驗證集 2 2 11 所有數據轉換成torch張量 2 2 12 選擇批量大小並創建迭代器 2 2 13 BERT模型配置 2 2 14 載入Hugging Face BERT不區分大小寫的基本模型 2 2 15 優化器分組參數 2 2 16 訓練循環的超參數 2 2 17 訓練循環 2 2 18 訓練評估 2 2 19 使用獨立數據集進行預測和評估 2 2 20 使用馬修斯相關係數進行評估 2 2 21 單個批次的分數//056olonen 2 2 22 整個數據集的馬修斯評估 本章小結 問題 參考文獻 第3章 從零開始預訓練RoBERTa模型 3 1 訓練標記解析器和預訓練Transformer 3 2 從零開始構建KantaiBERT 3 3 後續步驟 本章小結 問題 參考文獻 第2部分 將Transformer應用於自然語言理解和生成 第4章 使用Transformer完成下游NLP任務 4 1 轉述和Transformer模型的歸納能力 4 1 1 人類的智力層次 4 1 2 機器智能堆棧 4 2 Transformer模型性能與人類基線的比較 4 2 1 用評價指標評估模型 4 2 2 基準任務和數據集 4 2 3 定義SuperGLUE基準任務 4 3 嘗試下游NLP任務 4 3 1 語言可接受性語料庫（CoLA） 4 3 2 SST 4 3 3 MRPC 4 3 4 Winograd模式 本章小結 習題 參考文獻 第5章 使用Transformer進行機嬲翻譯 5 1 定義機冊翻譯 5 1 1 人類的轉換和翻詳 5 1 2 機器的轉換和翻譯 5 2 預處理WMT數據集 5 2 1 預處理原始數據 5 2 2 完成數據集的預處理 5 3 使用BLEU評估機器翻譯 5 3 1 幾何評估 5 3 2 應用平滑技術 5 4 使用Trax進行翻譯 5 4 1 安裝Trax 5 4 2 創建Transformer模型 5 4 3 使用預訓練權重初始化模型 5 4 4 對句子進行標記化 5 4 5 從Transformer解碼 5 4 6 解標記化和顯示翻譯結果 本章小結 問題 參考文獻 第6章 使用OpenAI的GPT-2和GPT-3模型生成文本 6 1 十億參數Transformer模型的崛起 6 2 Transformer，Reformer、PET或GPT 6 2 1 原始Transformer架構的局限性 6 2 2 Reformer 6 2 3 PET 6 3 是時候做出決定了 6 4 OpenAI GPT模型的架構 6 4 1 從微調到零樣本模型 6 4 2 堆疊解碼器層 6 5 使用GPT-2進行文本補全 6 6 訓練GPT-2語言模型 6 7 上下文和補全示例 6 8 使用Transformer生成音樂 本章小結 問題 參考文獻 第7章 將基於Transtormer的AI文檔摘要應用於法律和金融文檔 7 1 設計通用的文本到文本模型 7 1 1 文本到文本Tramsformer模型的興起 7 1 2 用前綴而不是與具體任務相關的文本格式指述 7 1 3 T5模型 7 2 用T5進行文本摘要 7 2 1 Hugging Face 7 2 2 初始化T5-Large Transformer模型 7 2 3 用T5-Large模型進行文檔摘要 本章小結 習題 參考文獻 第8章 標記解析器與數據集的匹配 8 1 匹配數據集和標記解析器 8 1 1 最佳實踐 8 1 2 Word2 Vec標記解析 8 2 包含特定詞彙的標準NLP任務 8 2 1 用GPT-2生成無控制條件樣本 8 2 2 生成訓練過的受控樣本 8 3 T5權利法案樣本 8 3 1 摘要《權利法案》，Version 1 8 3 2 摘要《權利法案》，Version 2 本章小結 習題 參考文獻 第9章 基於BERT模型的語義角色標註 9 1 開始使用SRL 9 1 1 定義語義角色標註 9 1 2 運行一個預訓練的BERT模型 9 2 用基於BERT的模型進行SRL實驗 9 2 1 基本樣本 9 2 2 複雜樣本 本章小結 習題 參考文獻 第3部分 高級語言理解技術 第10章 讓數據開口：講故事與做問答 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
