自然語言處理遷移學習實戰(zhàn)

第 一部分 導論
第 1章 遷移學習簡介 3
1.1 NLP領域典型任務概述 5
1.2 理解人工智能背景下的NLP技術 6
1.2.1 人工智能 7
1.2.2 機器學習 7
1.2.3 自然語言處理 11
1.3 NLP發(fā)展簡史 12
1.3.1 NLP簡介 12
1.3.2 遷移學習的進展 14
1.4 計算機視覺中的遷移學習 16
1.4.1 概述 16
1.4.2 ImageNet預訓練模型 17
1.4.3 ImageNet預訓練模型的微調 18
1.5 NLP遷移學習成為一個令人興奮的研究課題的原因 19
小結 20
第 2章 從頭開始：數(shù)據(jù)預處理 21
2.1 垃圾電子郵件分類任務中示例數(shù)據(jù)的預處理 23
2.1.1 加載并檢視Enron電子郵件語料庫 24
2.1.2 加載并檢視欺詐電子郵件數(shù)據(jù)集 26
2.1.3 將電子郵件文本轉換為數(shù)值 30
2.2 電影評論情感分類任務中示例數(shù)據(jù)的預處理 32
2.3 廣義線性模型 35
2.3.1 邏輯斯諦回歸 36
2.3.2 支持向量機 38
小結 38
第3章 從頭開始：基準測試和優(yōu)化 41
3.1 基于決策樹的模型 41
3.1.1 隨機森林 42
3.1.2 梯度提升機 42
3.2 神經(jīng)網(wǎng)絡模型 47
3.2.1 語言模型嵌入 47
3.2.2 BERT模型簡介 52
3.3 效果優(yōu)化 56
3.3.1 手動超參調優(yōu) 56
3.3.2 系統(tǒng)化超參調優(yōu) 57
小結 58
第二部分 基于循環(huán)神經(jīng)網(wǎng)絡的淺層遷移學習和深度遷移學習
第4章 NLP淺層遷移學習 63
4.1 基于預訓練詞嵌入的半監(jiān)督學習 65
4.2 基于高級表示的半監(jiān)督學習 69
4.3 多任務學習 71
4.3.1 問題的提出以及淺層神經(jīng)網(wǎng)絡單任務基線 72
4.3.2 雙任務實驗 74
4.4 領域適配 75
小結 78
第5章 基于循環(huán)神經(jīng)網(wǎng)絡的深度遷移學習實驗的數(shù)據(jù)預處理 79
5.1 表格分類數(shù)據(jù)的預處理 81
5.1.1 獲取并檢視表格數(shù)據(jù) 82
5.1.2 預處理表格數(shù)據(jù) 85
5.1.3 對預處理數(shù)據(jù)進行數(shù)字編碼 87
5.2 預處理示例數(shù)據(jù)的事實核查 87
5.2.1 特殊問題考量 88
5.2.2 加載并檢視事實核查數(shù)據(jù) 88
小結 89
第6章 基于循環(huán)神經(jīng)網(wǎng)絡的NLP深度遷移學習 91
6.1 SIMOn 91
6.1.1 通用神經(jīng)網(wǎng)絡結構概述 92
6.1.2 表格數(shù)據(jù)建模 93
6.1.3 SIMOn在表格數(shù)據(jù)分類中的應用 93
6.2 ELMo 100
6.2.1 ELMo雙向語言建模 101
6.2.2 ELMo在虛假新聞檢測任務中的應用 102
6.3 ULMFiT 104
6.3.1 以語言模型為目標任務的微調 104
6.3.2 以分類為目標任務的微調 105
小結 105
第三部分 基于Transformer的深度遷移學習以及適配策略
第7章 基于Transformer的深度遷移學習和GPT 109
7.1 Transformer 110
7.1.1 transformers庫簡介與注意力可視化 113
7.1.2 自注意力 115
7.1.3 殘差連接、編碼器-解碼器注意力和位置編碼 117
7.1.4 預訓練的編碼器-解碼器在機器翻譯任務中的應用 120
7.2 GPT 121
7.2.1 模型結構概述 122
7.2.2 Transformer pipeline及其在文本生成任務中的應用 124
7.2.3 聊天機器人任務中的應用 126
小結 128
第8章 基于BERT和mBERT的NLP深度遷移學習 129
8.1 BERT 130
8.1.1 BERT模型結構 131
8.1.2 在自動問答任務中的應用 134
8.1.3 在空白填寫和后續(xù)句預測任務中的應用 136
8.2 mBERT的跨語言學習 138
8.2.1 JW300數(shù)據(jù)集概述 139
8.2.2 用預訓練分詞器將mBERT遷移到Twi單語言數(shù)據(jù) 139
8.2.3 根據(jù)Twi單語言數(shù)據(jù)從頭訓練mBERT模型和分詞器 142
小結 143
第9章 ULMFiT與知識蒸餾的適配策略 145
9.1 逐步解凍和差別式微調 146
9.1.1 預訓練語言模型微調 147
9.1.2 以分類為目標任務的微調 149
9.2 知識蒸餾 151
小結 156
第 10章 ALBERT、適配器和多任務適配策略 157
10.1 嵌入因子分解與跨層參數(shù)共享 158
10.2 多任務微調 162
10.2.1 GLUE數(shù)據(jù)集 163
10.2.2 GLUE單任務微調 164
10.2.3 序列化適配 167
10.3 適配器 169
小結 171
第 11章 總結 173
11.1 關鍵概念概述 174
11.2 其他新興研究趨勢 179
11.2.1 RoBERTa 180
11.2.2 GPT-3 180
11.2.3 XLNet 182
11.2.4 BigBird 182
11.2.5 Longformer 182
11.2.6 Reformer 183
11.2.7 T5 183
11.2.8 BART 184
11.2.9 XLM 185
11.2.10 TAPAS 185
11.3 NLP遷移學習的發(fā)展方向 186
11.4 倫理和環(huán)境因素 187
11.5 最新進展 189
11.5.1 Kaggle和Zindi比賽 189
11.5.2 arXiv 190
11.5.3 新聞與社交媒體 190
11.6 寫在最后 191
附錄A Kaggle入門 193
A.1 通過Kaggle Kernel免費使用GPU 193
A.2 競賽、討論區(qū)和博客 198
附錄B 深度學習的基礎工具簡介 201
B.1 隨機梯度下降 202
B.2 TensorFlow 203
B.3 PyTorch 206
B.4 Keras、fast.ai庫和Hugging Face的transformers庫 207