●前言1
第1章概述7
監督學習範式9
隨機梯度下降法11
樣本和目標編碼12
獨熱表示（one-hot）12
詞頻表示（TF）14
TF-IDF表示15
目標編碼16
計算圖17
PyTorch基礎19
動態與靜態計算圖19
安裝PyTorch20
創建張量21
張量的類型和大小23
張量操作25
索引、切片、連接27
張量和計算圖31
CUDA張量32
練習題34
答案35
小結36
參考文獻36
第2章自然語言處理37
語料庫、詞和類型38
特征工程40詞形還原和詞干提取41
文檔分類42
單詞分類:詞性標注42
廣度分類:分塊和命名實體識別43
句子結構44
詞義與語義45
小結46
參考文獻47
第3章神經網絡基礎49
感知器:最簡單的神經網絡49
激活函數51
sigmoid52
Tanh53
ReLU53
Softmax54
損失函數55
均方誤差損失56
分類交叉熵損失56
交叉熵損失58
深入監督訓練59
構造樣例數據59
綜合起來:基於梯度的監督學習62
輔助訓練的概念63
正確度量模型性能：評估指標64
正確度量模型性能：分割數據集64
知道何時停止訓練65
找到合適的超參數65
規範化66
案例:餐館評論分類67
Yelp評論數據集68
理解PyTorch的數據集表示70
詞彙表(Vocabulary)、矢量化器(Vectorizer)和數據轉換器(DataLoader)73
一種感知器分類器79
訓練程序80
評估、推斷和檢查86
測試數據評估87
小結90
參考文獻91
第4章用於自然語言處理的前饋網絡93
多層感知器94
一個簡單的例子:二分類96
在PyTorch中實現MLP98
示例：用MLP進行姓氏分類102
姓氏數據集103
Vocabulary、Vectorizer和DataLoader104
姓氏分類器模型106
訓練程序108
模型評估及預測110
正則化MLP:權重正則化和結構正則化(或Dropout)112
卷積神經網絡114
CNN超參數115
在PyTorch中實現CNN120
示例：使用CNN對姓氏進行分類123
姓氏數據集類124
詞彙表、矢量化程序和數據轉換器125
用卷積網絡重新實現姓氏分類器126
培訓程序128
模型評估及預測129
CNN中的雜項主題130
池化130
批規範化(BatchNorm)131
網絡中的網絡連接(1x1卷積)131
殘差連接/殘差塊132
小結133
參考文獻134
第5章嵌入單詞和類型135
為什麼學習嵌入?136
嵌入的效率137
學習單詞嵌入的方法138
預置字的實際使用138
示例：連續詞袋模型的嵌入145
Frankenstein數據集146
Vocabulary、Vectorizer和DataLoader148
CBOWClassifier模型149
訓練程序150
模型評估及預測151
示例：使用預先訓練的嵌入進行文檔分類151
新聞數據集152
Vocabulary、Vectorizer和DataLoader153
NewsClassifier模型156
訓練程序159
模型評估及預測160
小結161
參考文獻162
第6章自然語言處理的序列建模165
遞歸神經網絡簡介166
實現ElmanRNN169
示例：使用字符RNN對姓氏國籍進行分類171
SurnameDataset類171
矢量化數據結構173
姓氏分類器模型174
訓練程序和結果177
小結178
參考文獻178
第7章自然語言處理的中級序列建模179
普通RNN（或ElmanRNN）的問題180
用門控方法解決普通RNN存在的問題181
示例：用於生成姓氏的字符RNN183
SurnameDataset類183
矢量化數據結構185
從ElmanRNN到GRU187
模型1：無條件的姓氏生成模型187
模型2：條件姓氏生成模型189
訓練程序和結果190
訓練序列模型的技巧和竅門196
參考文獻198
第8章自然語言處理的高級序列建模199
序列到序列模型，編碼器-解碼器模型和條件生成199
從序列中捕獲更多信息：雙向遞歸模型203
從序列中捕獲更多信息：注意力205
深度神經網絡中的注意力207
評估序列生成模型209
示例：神經機器翻譯211
機器翻譯數據集212
NMT的矢量化管道213
NMT模型中的編碼和解碼218
訓練程序和結果229
小結231
參考文獻232
第9章經典，前沿與下一步發展235
到目前為止，我們學到了什麼？235
NLP中的永恆主題236
對話與交互繫統236
話語237
信息提取與文本挖掘239
文件分析與檢索239
NLP前沿239
生產NLP繫統的設計模式241
接下來呢？246
參考文獻247
作者介紹249
封面介紹249
