TensorFlow自然語言處理

　　1章是對NLP的簡單介紹。該章將首先討論我們需要NLP的原因。接下來，將討論NLP中一些常見的子任務。之后，將討論NLP的兩個主要階段，即傳統(tǒng)階段和深度學習階段。通過研究如何使用傳統(tǒng)算法解決語言建模任務，我們將了解傳統(tǒng)階段NLP的特點。然后，將討論深度學習階段，在這一階段中深度學習算法被大量用于NLP。我們還將討論深度學習算法的主要系列。后，將討論一種基本的深度學習算法：全連接神經(jīng)網(wǎng)絡。該章結束時會提供一份路線圖，簡要介紹后面的內(nèi)容。 第2章介紹Python TensorFlow庫，這是我們實現(xiàn)解決方案的主要平臺。首先在TensorFlow中編寫一段代碼，執(zhí)行一個簡單的計算，并討論從運行代碼到得到結果這一過程中到底發(fā)生了什么。我們將詳細介紹TensorFlow的基礎組件。把Tensorflow比作豐富的餐廳，了解如何完成訂單，以便進一步加強對TensorFlow的理解。稍后，將討論TensorFlow的更多技術細節(jié)，例如數(shù)據(jù)結構和操作（主要與神經(jīng)網(wǎng)絡相關）。后，我們將實現(xiàn)一個全連接的神經(jīng)網(wǎng)絡來識別手寫數(shù)字。這將幫助我們了解如何使用TensorFlow來實現(xiàn)端到端解決方案。 第3章首先討論如何用TensorFlow解決NLP任務。在該章中，我們將討論如何用神經(jīng)網(wǎng)絡學習單詞向量或單詞表示。單詞向量也稱為詞嵌入。單詞向量是單詞的數(shù)字表示，相似單詞有相似值，不同單詞有不同值。首先，將討論實現(xiàn)這一目標的幾種傳統(tǒng)方法，包括使用稱為WordNet的大型人工構建知識庫。然后，將討論基于現(xiàn)代神經(jīng)網(wǎng)絡的方法，稱為Word2vec，它在沒有任何人為干預的情況下學習單詞向量。我們將通過一個實例來了解Word2vec的機制。接著，將討論用于實現(xiàn)此目的的兩種算法變體：skip-gram和連續(xù)詞袋（CBOW）模型。我們將討論算法的細節(jié)，以及如何在TensorFlow中實現(xiàn)它們。 第4章介紹與單詞向量相關的更高級方法。首先，會比較skip-gram和CBOW，討論其中哪一種有明顯優(yōu)勢。接下來，將討論可用于提高Word2vec算法性能的幾項改進。然后，將討論一種更新、更強大的詞嵌入學習算法：GloVe（全局向量）算法。后，將在文檔分類任務中實際觀察單詞向量。在該練習中，我們將看到單詞向量十分強大，足以表示文檔所屬的主題（例如，娛樂和運動）。 第5章討論卷積神經(jīng)網(wǎng)絡（CNN），它是擅長處理諸如圖像或句子這樣的空間數(shù)據(jù)的神經(jīng)網(wǎng)絡家族。首先，討論如何處理數(shù)據(jù)以及處理數(shù)據(jù)時涉及哪種操作，以便對CNN有較深的理解。接下來，深入研究CNN計算中涉及的每個操作，以了解CNN背后的數(shù)學原理。后，介紹兩個練習。練習使用CNN對手寫數(shù)字圖像進行分類，我們將看到CNN能夠在此任務上很快達到較高的準確率。接下來，我們將探討如何使用CNN對句子進行分類。特別地，我們要求CNN預測一個句子是否與對象、人物、位置等相關。 第6章介紹遞歸神經(jīng)網(wǎng)絡。遞歸神經(jīng)網(wǎng)絡（RNN）是一個可以模擬數(shù)據(jù)序列的強大的神經(jīng)網(wǎng)絡家族。首先討論RNN背后的數(shù)學原理以及在學習期間隨時間更新RNN的更新規(guī)則。然后，討論RNN的不同變體及其應用（例如，一對一RNN和一對多RNN）。后，用RNN執(zhí)行文本生成任務的練習。我們用童話故事訓練RNN，然后要求RNN生成一個新故事。我們將看到在持久的長期記憶方面RNN表現(xiàn)不佳。后，討論更高級的RNN變體，即RNN-CF，它能夠保持更長時間的記憶。 第7章介紹長短期記憶網(wǎng)絡。RNN在保持長期記憶方面效果較差，這使我們需要探索能在更長時間內(nèi)記住信息的更強大技術。我們將在該章討論一種這樣的技術：長短期記憶網(wǎng)絡（LSTM）。LSTM功能更強大，并且在許多時間序列任務中表現(xiàn)得優(yōu)于其他序列模型。首先通過一個例子，研究潛在的數(shù)學原理和LSTM的更新規(guī)則，以說明每個計算的重要性。然后，將了解為什么LSTM能夠更長時間地保持記憶。接下來，將討論如何進一步提高LSTM預測能力。后，將討論具有更復雜結構的幾種LSTM變體（具有窺孔連接的LSTM），以及簡化LSTM門控循環(huán)單元（GRU）的方法。 第8章介紹LSTM的應用：文本生成。該章廣泛評估LSTM在文本生成任務中的表現(xiàn)。我們將定性和定量地衡量LSTM產(chǎn)生的文本的好壞程度，還將比較LSTM、窺孔連接LSTM和GRU。后，將介紹如何將詞嵌入應用到模型中來改進LSTM生成的文本。 第9章轉到對多模態(tài)數(shù)據(jù)（即圖像和文本）的處理。在該章中，我們將研究如何自動生成給定圖像的描述。這涉及將前饋模型（即CNN）與詞嵌入層及順序模型（即LSTM）組合，形成一個端到端的機器學習流程。 第10章介紹有關神經(jīng)機器翻譯（NMT）模型的應用。機器翻譯指的是將句子或短語從源語言翻譯成目標語言。首先討論機器翻譯是什么并簡單介紹機器翻譯歷史。然后，將詳細討論現(xiàn)代神經(jīng)機器翻譯模型的體系結構，包括訓練和預測的流程。接下來，將了解如何從頭開始實現(xiàn)NMT系統(tǒng)。后，會探索改進標準NMT系統(tǒng)的方法。 第11章重點介紹NLP的現(xiàn)狀和未來趨勢。我們將討論前面提到的系統(tǒng)的相關新發(fā)現(xiàn)。該章將涵蓋大部分令人興奮的創(chuàng)新，并讓你直觀地感受其中的一些技術。 附錄向讀者介紹各種數(shù)學數(shù)據(jù)結構（例如，矩陣）和操作（例如，矩陣的逆），還將討論概率中的幾個重要概念。然后將介紹Keras，它是在底層使用TensorFlow的高級庫。Keras通過隱藏TensorFlow中的一些有難度的細節(jié)使得神經(jīng)網(wǎng)絡的實現(xiàn)更簡單。具體而言，通過使用Keras實現(xiàn)CNN來介紹如何使用Keras。接下來，將討論如何使用TensorFlow中的seq2seq庫來實現(xiàn)一個神經(jīng)機器翻譯系統(tǒng)，所使用的代碼比在第11章中使用的代碼少得多。后，將向你介紹如何使用TensorBoard可視化詞嵌入的指南。TensorBoard是TensorFlow附帶的便捷可視化工具，可用于可視化和監(jiān)視TensorFlow客戶端中的各種變量。

　　圖珊 加內(nèi)格達拉（Thushan Ganegedara）目前是澳大利亞悉尼大學第三年的博士生。他專注于機器學習和深度學習。他喜歡在未經(jīng)測試的數(shù)據(jù)上運行算法。他還是澳大利亞初創(chuàng)公司AssessThreat的首席數(shù)據(jù)科學家。他在斯里蘭卡莫拉圖瓦大學獲得了理學士學位。他經(jīng)常撰寫有關機器學習的技術文章和教程。此外，他經(jīng)常通過游泳來努力營造健康的生活方式。