Transformer自然语言处理实战：使用Hugging Face Transformers库构建NLP应用

推荐阅读

关于封面

关于作者

11.4 继续前行的建议

11.3 多模态的Transformer

11.2 其他应用领域

11.1 Transformer的扩展

第11章 未来发展趋势

10.5 本章小结

10.4 结果与分析

10.3 从零训练一个模型

10.2 构建词元分析器

10.1 如何寻找大型数据集

第10章 从零训练Transformer模型

9.6 本章小结

9.5 利用无标注数据

9.4 少样本学习

9.3 零样本学习

9.2 基线模型——朴素贝叶斯

9.1 构建GitHub issue标记任务

第9章 零样本学习和少样本学习

8.8 本章小结

8.7 使用权重剪枝使模型更稀疏

8.6 使用ONNX和ONNX Runtime进行推理优化

8.5 基准测试量化模型

8.4 利用量化技术使模型运算更快

8.3 通过知识蒸馏减小模型大小

8.2 创建性能基准

8.1 以意图识别为例

第8章 Transformer模型调优

7.4 本章小结

7.3 生成式问答

7.2 评估并改进问答pipeline

7.1 构建基于评论的问答系统

第7章 构建问答系统

6.7 本章小结

6.6 训练摘要模型

6.5 在CNN/DailyMail数据集上评估PEGASUS

6.4 度量生成文本的质量

6.3 比较不同的摘要

6.2 文本摘要pipeline

6.1 CNN/DailyMail数据集

第6章 文本摘要

5.7 本章小结

5.6 哪种解码方法最好

5.5 top-k和核采样

5.4 采样方法

5.3 束搜索解码

5.2 贪婪搜索解码

5.1 生成连贯文本的挑战

第5章 文本生成

4.12 本章小结

4.11 用模型小部件进行交互

4.10 跨语言迁移

4.9 错误分析

4.8 微调XLM-RoBERTa

4.7 性能度量

4.6 NER的词元化

4.5 自定义Hugging Face Transformers库模型类

4.4 命名实体识别中的Transformers

4.3 多语言词元化技术

4.2 多语言Transformer

4.1 数据集

第4章 多语言命名实体识别

3.5 本章小结

3.4 认识Transformer

3.3 解码器

3.2 编码器

3.1 Transformer架构

第3章 Transformer架构剖析

2.4 本章小结

2.3 训练文本分类器

2.2 将文本转换成词元

2.1 数据集

第2章 文本分类

1.8 本章小结

1.7 Transformer的主要挑战

1.6 Hugging Face生态系统

1.5 Transformer应用概览

1.4 Hugging Face Transformers库：提供规范化接口

1.3 NLP的迁移学习

1.2 注意力机制

1.1 编码器-解码器框架

第1章 欢迎来到Transformer的世界

前言

序

本书赞誉

O'Reilly Media Inc.介绍

版权信息

封面

封面

版权信息

O'Reilly Media Inc.介绍

本书赞誉

序

前言

第1章 欢迎来到Transformer的世界

1.1 编码器-解码器框架

1.2 注意力机制

1.3 NLP的迁移学习

1.4 Hugging Face Transformers库：提供规范化接口

1.5 Transformer应用概览

1.6 Hugging Face生态系统

1.7 Transformer的主要挑战

1.8 本章小结

第2章 文本分类

2.1 数据集

2.2 将文本转换成词元

2.3 训练文本分类器

2.4 本章小结

第3章 Transformer架构剖析

3.1 Transformer架构

3.2 编码器

3.3 解码器

3.4 认识Transformer

3.5 本章小结

第4章 多语言命名实体识别

4.1 数据集

4.2 多语言Transformer

4.3 多语言词元化技术

4.4 命名实体识别中的Transformers

4.5 自定义Hugging Face Transformers库模型类

4.6 NER的词元化

4.7 性能度量

4.8 微调XLM-RoBERTa

4.9 错误分析

4.10 跨语言迁移

4.11 用模型小部件进行交互

4.12 本章小结

第5章 文本生成

5.1 生成连贯文本的挑战

5.2 贪婪搜索解码

5.3 束搜索解码

5.4 采样方法

5.5 top-k和核采样

5.6 哪种解码方法最好

5.7 本章小结

第6章 文本摘要

6.1 CNN/DailyMail数据集

6.2 文本摘要pipeline

6.3 比较不同的摘要

6.4 度量生成文本的质量

6.5 在CNN/DailyMail数据集上评估PEGASUS

6.6 训练摘要模型

6.7 本章小结

第7章 构建问答系统

7.1 构建基于评论的问答系统

7.2 评估并改进问答pipeline

7.3 生成式问答

7.4 本章小结

第8章 Transformer模型调优

8.1 以意图识别为例

8.2 创建性能基准

8.3 通过知识蒸馏减小模型大小

8.4 利用量化技术使模型运算更快

8.5 基准测试量化模型

8.6 使用ONNX和ONNX Runtime进行推理优化

8.7 使用权重剪枝使模型更稀疏

8.8 本章小结

第9章 零样本学习和少样本学习

9.1 构建GitHub issue标记任务

9.2 基线模型——朴素贝叶斯

9.3 零样本学习

9.4 少样本学习

9.5 利用无标注数据

9.6 本章小结

第10章 从零训练Transformer模型

10.1 如何寻找大型数据集

10.2 构建词元分析器

10.3 从零训练一个模型

10.4 结果与分析

10.5 本章小结

第11章 未来发展趋势

11.1 Transformer的扩展

11.2 其他应用领域

11.3 多模态的Transformer

11.4 继续前行的建议

关于作者

关于封面

推荐阅读