基本介紹
- 中文名：
- 作者：
- 出版時間：
- 出版社：
- ISBN：
- 定價：
內容簡介,作者簡介,圖書目錄,
內容簡介
作者簡介
圖書目錄
1.5.3 TensorFlow小練習：Hello TensorFlow 22
1.6 實戰—知識圖譜的展示 22
1.6.1 第一步：數據的準備 22
1.6.2 第二步：數據的處理 23
1.6.3 第三步：知識圖譜的展示 24
1.6.4 第四步：更多的連線 25
1.6.5 一個需要解決的小問題 25
1.7 本章小結 26
第2章 TensorFlow和Keras快速入門 27
2.1 Keras讓一切變簡單 27
2.1.1 深度學習，始於模型 28
2.1.2 使用Keras API實現鳶尾花分類的例子（順序模型） 28
2.1.3 使用Keras函式式編程實現鳶尾花分類的例子（重點） 31
2.1.4 使用保存的Keras模式對模型進行復用 34
2.1.5 使用TensorFlow 標準化編譯對iris模型進行擬合 34
2.1.6 多輸入單一輸出TensorFlow 編譯方法（選學） 38
2.1.7 多輸入多輸出TensorFlow 編譯方法（選學） 42
2.2 全連線層詳解 43
2.2.1 全連線層的定義與實現 43
2.2.2 使用TensorFlow 自帶的API實現全連線層 45
2.2.3 列印顯示已設計的model結構和參數 48
2.3 懶人的福音—Keras模型庫 49
2.3.1 ResNet50模型和參數的載入 50
2.3.2 使用ResNet作為特徵提取層建立模型 52
2.4 本章小結 54
第3章 深度學習的理論基礎 55
3.1 BP神經網路簡介 56
3.2 BP神經網路兩個基礎算法詳解 59
3.2.1 最小二乘法（LS算法）詳解 59
3.2.2 道士下山的故事—梯度下降算法 61
3.2.3 最小二乘法的梯度下降算法及其Python實現 64
3.3 反饋神經網路反向傳播算法介紹 70
3.3.1 深度學習基礎 70
3.3.2 鏈式求導法則 71
3.3.3 反饋神經網路原理與公式推導 72
3.3.4 反饋神經網路原理的激活函式 78
3.3.5 反饋神經網路原理的Python實現 79
3.4 本章小結 83
第4章 卷積神經網路實戰 84
4.1 卷積運算基本概念 84
4.1.1 卷積運算 85
4.1.2 TensorFlow 中卷積函式實現詳解 86
4.1.3 池化運算 88
4.1.4 softmax激活函式 89
4.1.5 卷積神經網路原理 90
4.2 卷積實戰：MNIST手寫體識別 93
4.2.1 MNIST數據集 93
4.2.2 MNIST數據集特徵和標籤介紹 95
4.2.3 TensorFlow 2.X編程實戰：MNIST數據集 97
4.2.4 使用自定義的卷積層實現MNIST識別 101
4.3 本章小結 104
第5章 Datasets數據集和TensorBoard可視化 105
5.1 TensorFlow Datasets簡介 105
5.1.1 Datasets 數據集的安裝 107
5.1.2 Datasets 數據集的使用 107
5.2 Datasets 數據集的使用—FashionMNIST 109
5.2.1 FashionMNIST數據集下載與展示 110
5.2.2 模型的建立與訓練 111
5.3 使用Keras對FashionMNIST數據集進行處理 113
5.3.1 獲取數據集 113
5.3.2 數據集的調整 114
5.3.3 使用Python類函式建立模型 114
5.3.4 Model的查看和參數列印 115
5.3.5 模型的訓練和評估 117
5.4 使用TensorBoard可視化訓練過程 119
5.4.1 TensorBoard資料夾設定 119
5.4.2 TensorBoard的顯式調用（推薦使用Chrome或Edge瀏覽器） 120
5.4.3 TensorBoard的使用 122
5.5 本章小結 126
第6章 ResNet實現神經網路的飛躍 127
6.1 ResNet基礎原理與程式設計基礎 127
6.1.1 ResNet誕生的背景 127
6.1.2 模組工具的TensorFlow 實現—不要重複造輪子 130
6.1.3 TensorFlow 高級模組layers用法簡介 131
6.2 ResNet實戰：CIFAR100數據集分類 138
6.2.1 CIFAR100數據集簡介 138
6.2.2 ResNet殘差模組的實現 141
6.2.3 ResNet網路的實現 143
6.2.4 使用ResNet對CIFAR100數據集進行分類 146
6.3 本章小結 147
第7章 有趣的詞嵌入——word embedding 148
7.1 文本數據處理 148
7.1.1 數據集介紹和數據清洗 149
7.1.2 停用詞的使用 151
7.1.3 詞向量訓練模型word2vec使用介紹 153
7.1.4 文本主題的提取：基於TF-IDF（選學） 156
7.1.5 文本主題的提取：基於TextRank（選學） 160
7.2 更多的word embedding方法—fastText和 預訓練詞向量 163
7.2.1 fastText的原理與基礎算法 163
7.2.2 fastText訓練以及與TensorFlow 2.X的協同使用 164
7.2.3 使用其他預訓練參數做TensorFlow詞嵌入矩陣（中文） 170
7.3 針對文本的卷積神經網路模型簡介—字元卷積 171
7.3.1 字元（非單詞）文本的處理 172
7.3.2 卷積神經網路文本分類模型的實現—conv1d（一維卷積） 179
7.4 針對文本的卷積神經網路模型—詞卷積 180
7.4.1 單詞的文本處理 181
7.4.2 卷積神經網路文本分類模型的實現—conv2d（二維卷積） 183
7.5 使用卷積對文本分類的補充內容 186
7.5.1 漢字的文本處理 186
7.5.2 其他的一些細節 188
7.6 本章小結 189
第8章 情感分類 190
8.1 GRU與情感分類 190
8.1.1 使用GRU的情感分類 190
8.1.2 什麼是GRU 191
8.1.3 TensorFlow 中的GRU層詳解 193
8.1.4 單向不行就雙向 194
8.2 實戰：情感分類 195
8.2.1 使用TensorFlow 自帶的模型做文本分類 195
8.2.2 使用自定義的DPCNN做模型分類 199
8.3 本章小結 203
第9章 編碼器—自然語言處理的歸宿 204
9.1 編碼器的核心—注意力模型 205
9.1.1 輸入層—初始詞向量層和位置編碼器層 205
9.1.2 自注意力層 207
9.1.3 ticks和LayerNormalization 212
9.1.4 多頭自注意力 213
9.2 編碼器的實現 216
9.2.1 前饋層的實現 216
9.2.2 編碼器的實現 218
9.3 實戰編碼器：漢字拼音轉化模型 221
9.3.1 漢字拼音數據集處理 222
9.3.2 漢字拼音轉化模型的確定 223
9.3.3 模型訓練部分的編寫 226
9.3.4 推斷函式的編寫 228
9.4 本章小結 229
第10章 BERT—站在巨人肩膀上的預訓練模型 230
10.1 預訓練模型BERT 230
10.1.1 BERT基本架構與套用 231
10.1.2 BERT預訓練任務與Fine-Tuning 232
10.2 實戰BERT：中文文本分類 235
10.2.1 使用Hugging face獲取BERT預訓練模型 235
10.2.2 BERT實戰文本分類 236
10.3 更多的預訓練模型 241
10.4 本章小結 244
第11章 知識圖譜實戰1：多標籤文本分類 245
11.1 多標籤文本基本內容 245
11.1.1 多標籤分類不等於多分類 245
11.1.2 多標籤分類的激活函式—sigmoid 246
11.2 多標籤文本實戰 247
11.2.1 第一步：數據的獲取與處理 247
11.2.2 第二步：選擇特徵抽取模型 251
11.2.3 第三步：訓練模型的建立 252
11.2.4 第四步：多標籤文本分類的訓練與預測 253
11.3 本章小結 256
第12章 知識圖譜實戰2：命名實體識別 257
12.1 命名實體識別的基本內容 257
12.1.1 什麼是命名實體識別 257
12.1.2 深度學習在命名實體識別中的套用 258
12.1.3 命名實體識別CRF層簡介 258
12.1.4 命名實體識別一般的模型架構詳解 259
12.2 方法一：BERT命名實體識別實戰 260
12.2.1 第一步：數據的獲取與處理 260
12.2.2 第二步：BERT模型設計 262
12.2.3 第三步：完整的BERT模型訓練 263
12.2.4 第四步：使用BERT命名實體識別模型進行預測 263
12.3 方法二：BiLSTM-CRF命名實體識別實戰 265
12.3.1 第一步：數據的獲取與處理 265
12.3.2 第二步：BiLSTM-CRF模型設計 265
12.3.3 第三步：BiLSTM-CRF模型的訓練 266
12.3.4 第四步：使用BiLSTM的預測 268
12.4 本章小結 269
第13章 知識圖譜實戰3： 基於聯合抽取的知識圖譜模型 270
13.1 基於聯合抽取的知識圖譜模型實戰 270
13.1.1 什麼是聯合抽取 270
13.1.2 第一步：數據的處理 272
13.1.3 第二步：模型的設計 274
13.1.4 第三步：聯合抽取模型的訓練 274
13.2 知識圖譜模型提升 276
13.2.1 更換預訓練模型進行提升 276
13.2.2 更換損失函式進行提升 276
13.2.3 使用Mixture-of-Experts修正聯合抽取模型 279
13.3 本章小結 281
