本书不仅涵盖了Transformer的基础知识，还扩展到其变体模型（如BERT、GPT等）及其在实际项目中的应用，还将介绍如何使用HuggingFace库行快速发与实践，帮助读者更高效地部署和应用Transformer模型。通过本书的学习，读者将能够在自然语言处理、文本生成、情感分析、命名实体识别等领域中，应用Transformer及其变体，提升自己的AI技术水平。
售 价：¥
纸质售价：¥69.00购买纸书
6.6
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
封面页
书名页
版权页
作者简介
内容简介
前言
目录
第1章 引言
1.1 深度学习与序列模型的进化
1.1.1 RNN原理
1.1.2 RNN代码实践
1.1.3 RNN的问题与挑战
1.1.4 LSTM原理
1.1.5 LSTM代码实践
1.1.6 LSTM的问题与挑战
1.2 Transformer的诞生背景
1.2.1 Seq2Seq模型
1.2.2 Seq2Seq代码实践
1.2.3 注意力机制的崛起
1.2.4 注意力机制代码解读
1.2.5 论文“Attention is All You Need”简介
第2章 Transformer架构解析
2.1 Transformer总览
2.1.1 Transformer的核心思想
2.1.2 Transformer的总体架构
2.2 Transformer的实现
2.2.1 自注意力机制的原理和实现
2.2.2 多头注意力的原理和实现
2.2.3 位置编码的作用和实现
2.2.4 前馈网络层
2.2.5 残差连接和层归一化
2.2.6 解码器的结构和功能
第3章 训练Transformer
3.1 自定义Transformer代码
3.1.1 词嵌入和位置编码
3.1.2 多头注意力层
3.1.3 前馈网络层
3.1.4 编码器层和解码器层
3.1.5 构建Transformer模型
3.1.6 训练Transformer模型
3.2 实践训练
3.2.1 数据准备
3.2.2 模型定义及训练
3.2.3 模型预测
第4章 Transformer变体与进阶
4.1 BERT
4.1.1 BERT架构与原理
4.1.2 BERT训练过程解析
4.2 GPT系列
4.2.1 从GPT到GPT-4o
4.2.2 GPT训练过程解析
4.3 其他变体
4.3.1 ALBERT
4.3.2 RoBERTa
4.3.3 T5
4.3.4 知识蒸馏原理及实践
第5章 利用Hugging Face实践Transformer
5.1 Hugging Face简介
5.1.1 社区与资源介绍
5.1.2 Transformers库概览
5.2 快速开始
5.2.1 Transformers库
5.2.2 Datasets加载数据集
5.2.3 Tokenizer文本处理
5.2.4 预训练模型的加载
5.2.5 Evaluate评估
5.2.6 Trainer训练
5.3 实际应用案例
5.3.1 文本分类
5.3.2 情感分类
5.3.3 命名实体识别
5.3.4 文本相似度
5.3.5 机器阅读理解
5.3.6 文本摘要
5.3.7 生成式对话机器人
5.4 模型高效微调
5.4.1 微调原理介绍
5.4.2 Freeze微调原理及实践
5.4.3 Prompt-Tuning微调原理及实践
5.4.4 Prefix Tuning微调原理及实践
5.4.5 P-Tuning微调原理及实践
5.4.6 LoRA微调原理及实践
5.4.7 AdaLoRA微调原理及实践
5.4.8 QLoRA微调原理及实践
5.5 Transformer的影响
5.6 未来展望
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
