基于BERT模型的自然语言处理实战

目 录


★★第1篇 入门――基础知识与编程框架

第1章 BERT模型很强大，你值得拥有 /2
★1．1 全球欢腾，喜迎BERT模型 /2
★1．2 为什么BERT模型这么强 /3
★1．3 怎么学习BERT模型 /4
1．3．1 BERT模型的技术体系 /4
1．3．2 学好自然语言处理的4件套――神经网络的基础知识、NLP的基础知识、编程框架的使用、BERT模型的原理及应用 /4
1．3．3 学习本书的前提条件 /5
★1．4 自然语言处理的技术趋势 /5
1．4．1 基于超大规模的高精度模型 /6
1．4．2 基于超小规模的高精度模型 /6
1．4．3 基于小样本训练的模型 /6

第2章 神经网络的基础知识――可能你掌握得也没有那么牢 /7
★2．1 什么是神经网络 /7
2．1．1 神经网络能解决哪些问题 /7
2．1．2 神经网络的发展 /7
2．1．3 什么是深度学习 /8
2．1．4 什么是图神经网络 /8
2．1．5 什么是图深度学习 /9
★2．2 神经网络的工作原理 /10
2．2．1 了解单个神经元 /10
2．2．2 生物神经元与计算机神经元模型的结构相似性 /12
2．2．3 生物神经元与计算机神经元模型的工作流程相似性 /12
2．2．4 神经网络的形成 /13
★2．3 深度学习中包含了哪些神经网络 /13
2．3．1 全连接神经网络 /13
2．3．2 卷积神经网络 /17
2．3．3 循环神经网络 /23
2．3．4 带有注意力机制的神经网络 /30
2．3．5 自编码神经网络 /34
★2．4 图深度学习中包含哪些神经网络 /36
2．4．1 同构图神经网络 /37
2．4．2 异构图神经网络 /37
★2．5 激活函数――加入非线性因素，以解决线性模型的缺陷 /38
2．5．1 常用的激活函数 /38
2．5．2 更好的激活函数――Swish()与Mish() /41
2．5．3 更适合NLP任务的激活函数――GELU() /43
2．5．4 激活函数总结 /44
2．5．5 分类任务与Softmax算法 /44
★2．6 训练模型的原理 /45
2．6．1 反向传播与BP算法 /47
2．6．2 神经网络模块中的损失函数 /49
2．6．3 学习率 /50
2．6．5 优化器 /51
2．6．6 训练模型的相关算法，会用就行 /52
★2．7 【实例】用循环神经网络实现退位减法 /52
★2．8 训练模型中的常见问题及优化技巧 /56
2．8．1 过拟合与欠拟合问题 /56
2．8．2 改善模型过拟合的方法 /56
2．8．3 了解正则化技巧 /57
2．8．4 了解Dropout技巧 /57
2．8．5 Targeted Dropout与Multi-sample Dropout /58
2．8．6 批量归一化（BN）算法 /59
2．8．7 多种BN算法的介绍与选取 /64
2．8．8 全连接网络的深浅与泛化能力的联系 /64

第3章 NLP的基础知识――NLP没那么“玄” /65
★3．1 NLP的本质与原理 /65
3．1．1 情感分析、相似度分析等任务的本质 /65
3．1．2 完形填空、实体词识别等任务的本质 /66
3．1．3 文章摘要任务、问答任务、翻译任务的本质 /67
★3．2 NLP的常用工具 /68
3．2．1 自然语言处理工具包――SpaCy /68
3．2．2 中文分词工具――Jieba /69
3．2．3 中文转拼音工具――Pypinyin /69
3．2．4 评估翻译质量的算法库――SacreBLEU /70
★3．3 计算机中的字符编码 /70
3．3．1 什么是ASCII编码 /71
3．3．2 为什么会出现乱码问题 /71
3．3．3 什么是Unicode /71
3．3．4 借助Unicode 处理中文字符的常用操作 /73
★3．4 计算机中的词与句 /74
3．4．1 词表与词向量 /75
3．4．2 词向量的原理及意义 /75
3．4．3 多项式分布 /76
3．4．4 什么是依存关系分析 /77
3．4．5 什么是TF /79
3．4．6 什么是IDF /79
3．4．7 什么是TF-IDF /80
3．4．8 什么是BLEU /80
★3．5 什么是语言模型 /81
3．5．1 统计语言模型 /81
3．5．2 CBOW与Skip-Gram语言模型 /81
3．5．3 自编码（Auto Encoding，AE）语言模型 /82
3．5．4 自回归（Auto Regressive，AR）语言模型 /83
★3．6 文本预处理的常用方法 /83
3．6．1 NLP数据集的获取与清洗 /83
3．6．2 基于马尔可夫链的数据增强 /84

第4章 搭建编程环境――从安装开始，更适合零基础入门 /87
★4．1 编程框架介绍 /87
4．1．1 PyTorch介绍 /87
4．1．2 DGL库介绍 /88
4．1．3 支持BERT模型的常用工具库介绍 /89
★4．2 搭建Python开发环境 /89
★4．3 搭建PyTorch开发环境 /91
★4．4 搭建DGL环境 /95
★4．5 安装Transformers库 /96

第2篇 基础――神经网络与BERT模型

第5章 PyTorch编程基础 /100
★5．1 神经网络中的基础数据类型 /100
★5．2 矩阵运算的基础 /101
5．2．1 转置矩阵 /101
5．2．2 对称矩阵及其特性 /101
5．2．3 对角矩阵与单位矩阵 /101
5．2．4 阿达玛积（Hadamard Product） /102
5．2．5 点积（Dot Product） /102
5．2．6 对角矩阵的特性与操作方法 /103
★5．3 PyTorch中的张量 /104
5．3．1 定义张量的方法 /105
5．3．2 生成随机值张量 /107
5．3．3 张量的基本操作 /108
5．3．4 在CPU和GPU控制的内存中定义张量 /112
5．3．5 张量间的数据操作 /113
★5．4 Variable类型与自动微分模块 /118
5．4．1 Variable对象与Tensor对象之间的转换 /118
5．4．2 控制梯度计算的方法 /119
5．4．3 Variable对象的属性 /121
★5．5 【实例】用PyTorch实现一个简单模型 /124
5．5．1 准备可复现的随机数据 /124
5．5．2 实现并训练模型 /125
5．5．3 可视化模型能力 /128
★5．6 定义模型结构的常用方法 /129
5．6．1 Module类的使用方法 /129
5．6．2 模型中的参数（Parameters变量） /131
5．6．3 为模型添加参数 /132
5．6．4 从模型中获取参数 /133
5．6．5 激活模型接口 /135
5．6．6 L2正则化接口 /136
5．6．7 Dropout接口 /136
5．6．8 批量归一化接口 /137
5．6．9 【实例】手动实现BN的计算方法 /139
★5．7 保存与载入模型的常用方法 /141
★5．8 训练模型的接口与使用 /143
5．8．1 选取训练模型中的损失函数 /143
5．8．2 【实例】Softmax接口的使用 /144
5．8．3 优化器的使用与优化参数的查看 /146
5．8．4 用退化学习率训练模型 /147
5．8．5 为模型添加钩子函数 /152
5．8．6 多显卡的训练方法 /153
5．8．7 梯度累加的训练方法 /153
★5．9 处理数据集的接口与使用 /154
5．9．1 用DataLoader类实现自定义数据集 /155
5．9．2 DataLoader类中的多种采样器子类 /155
5．9．3 Torchtext工具与内置数据集 /156
★5．10 【实例】训练中文词向量 /157
5．10．1 用Jieba库进行中文样本预处理 /158
5．10．2 按照Skip-Gram规则制作数据集 /159
5．10．3 搭建模型并进行训练 /161
5．10．4 夹角余弦值介绍 /164
★5．11 卷积神经网络的实现 /166
5．11．1 了解卷积接口 /166
5．11．2 卷积操作的类型 /168
5．11．3 卷积参数与卷积结果的计算规则 /169
5．11．4 【实例】卷积函数的使用 /169
5．11．5 了解池化接口 /174
5．11．6 【实例】池化函数的使用 /175
★5．12 【实例】用卷积神经网络实现文本分类任务 /177
5．12．1 了解用于文本分类的卷积网络――TextCNN模型 /177
5．12．2 编写代码实现实例 /179
5．12．3 用多GPU并行训练模型 /184
5．12．4 在多GPU的训练过程中，保存/读取模型文件的注意事项 /185
5．12．5 处理显存残留问题 /186
★5．13 RNN的实现 /187
5．13．1 LSTM与GRU接口的实现 /187
5．13．2 多项式分布采样接口 /188
★5．14 【实例】用RNN训练语言模型 /189
5．14．1 实现语言模型的思路与步骤 /189
5．14．2 准备样本与代码实现 /189
★5．15 【实例】手动实现一个带有自注意力机制的模型 /192
★5．16 【实例】利用带注意力机制的循环神经网络对文本进行分类 /194
5．16．1 制作等长数据集并实现LSTM模型 /194
5．16．2 用梯度剪辑技巧优化训练过程 /195

第6章 BERT模型的原理 /197
★6．1 BERT模型的起源――Transformer模型 /197
6．1．1 Transformer模型出现之前的主流模型 /197
6．1．2 Transformer模型的原理 /199
6．1．3 Transformer模型的优缺点 /204
★6．2 【实例】用Transformer模型进行中/英文翻译 /204
★6．3 BERT模型的原理 /206
6．3．1 BERT模型的训练过程 /207
6．3．2 BERT模型的预训练方法 /207
6．3．3 BERT模型的掩码机制 /208
6．3．4 BERT模型的训练参数 /210
6．3．5 BERT模型的缺点 /210
★6．4 高精度的BERTology系列模型 /211
6．4．1 适合生成文章的模型――GPT模型 /211
6．4．2 支持人机对话的模型――DialoGPT模型 /212
6．4．3 融合了BERT模型与GPT技术的模型――MASS模型 /212
6．4．4 支持长文本输入的模型――Transformer-XL模型 /212
6．4．5 支持更长文本的模型――XLNet模型 /213
6．4．6 弥补XLNet模型不足的模型――MPNet模型 /217
6．4．7 稳健性更好的模型――RoBERTa模型 /217
6．4．8 使用了稀疏注意力的模型――Longformer、BigBird模型 /218
6．4．9 基于词掩码的模型――BERT-WWM、Wo BERT等模型 /220
6．4．10 基于小段文字掩码的模型――SpanBERT模型 /220
6．4．11 适合翻译任务的模型――T5模型 /221
6．4．12 支持多种语言的翻译模型――XLM、XLM-Roberta模型 /222
6．4．13 既能阅读又能写作的模型――UniLM 2．0模型 /223
6．4．14 适用于语法纠错任务的模型――StructBERT、Bart模型 /224
6．4．15 可以进行定向写作的模型――CTRL模型 /225
6．4．16 适合摘要生成的模型――PEGASUS模型 /226
6．4．17 支持更多语言的模型――T-ULR V2模型 /227
★6．5 小规模的BERTology系列模型 /227
6．5．1 比RoBERTa模型训练速度更快的模型――ELECTRA模型 /228
6．5．2 适用于文本分类的超小模型――PRADO、pQRNN模型 /229
6．5．3 比BERT模型更适合于部署场景的模型――DistillBERT模型 /231
6．5．4 比BERT模型更快的模型――FastBERT模型 /232
6．5．5 带有通用蒸馏方案的模型――MiniLM模型 /233
6．5．6 精简版的BERT模型――ALBERT、ALBERT_tiny、
ALBERT V2模型 /234
★6．6 BERTology系列模型的预训练方法总结 /237
6．6．1 AE式训练方法的常用策略 /237
6．6．2 更多的训练经验 /237

第7章 BERT模型的快速应用――BERT模型虽然强大，使用却不复杂！ /239
★7．1 了解Transformers库 /239
★7．2 Transformers库的3层应用结构 /240
★7．3 【实例】用Transformers库的管道方式完成多种NLP任务 /241
7．3．1 在管道方式中指定NLP任务 /241
7．3．2 代码实现：完成文本分类任务 /242
7．3．3 代码实现：完成特征提取任务 /243
7．3．4 代码实现：完成完形填空任务 /244
7．3．5 代码实现：完成阅读理解任务 /245
7．3．6 代码实现：完成摘要生成任务 /247
7．3．7 预训练模型文件的组成与其加载时的固定名称 /248
7．3．8 代码实现：完成实体词识别任务 /248
7．3．9 管道方式的工作原理 /249
7．3．10 在管道方式中应用指定模型 /251
★7．4 Transformers库中的自动模型（AutoModel）类 /252
7．4．1 各种AutoModel类 /252
7．4．2 AutoModel类的模型加载机制 /253
7．4．3 Transformers库中的其他语言模型 /254
★7．5 Transformers库中的BERTology系列模型 /255
7．5．1 Transformers库的文件结构 /255
7．5．2 获取和加载预训练模型文件 /257
7．5．3 查找Transformers库中可以使用的模型 /260
7．5．4 【实例】用BERT模型实现完形填空任务 /261
7．5．5 【扩展实例】用自动模型类替换BertForMaskedLM类 /264
★7．6 Transformers库中的词表工具 /264
7．6．1 PreTrainedTokenizer类中的特殊词 /265
7．6．2 PreTrainedTokenizer类中的特殊词的使用 /266
7．6．3 向PreTrainedTokenizer类中添加词 /269
7．6．4 【实例】用手动加载GPT-2模型权重的方式将句子补充完整 /270
7．6．5 子词拆分 /274
★7．7 【实例】用迁移学习训练BERT模型来对中文分类 /275
7．7．1 NLP中的迁移学习 /275
7．7．2 构建数据集 /277
7．7．3 构建并加载BERT模型的预训练模型 /279
7．7．4 Transformers库中的底层类 /280
7．7．5 用退化学习率训练模型 /281
7．7．6 用数据增强方法训练模型 /282

第8章 模型的可解释性――深入模型内部，探究其工作的根源 /283
★8．1 模型的可解释库 /283
8．1．1 了解Captum库 /283
8．1．2 Captum库的可视化工具――Captum Insights /284
★8．2 什么是梯度积分方法 /284
★8．3 【实例】对NLP模型的可解释性分析 /284
8．3．1 分析词嵌入模型 /284
8．3．2 拆解NLP模型的处理过程 /285
8．3．3 用Captum库提取NLP模型的词嵌入层 /286
8．3．4 用梯度积分的方法计算模型的可解释性 /287
8．3．5 可视化模型的可解释性 /289
★8．4 【实例】BERT模型的可解释性分析 /291
8．4．1 了解BERT模型的可解释性工具――Bertviz /291
8．4．2 用Bertviz工具可视化BERT模型的权重 /292
8．4．3 分析BERT模型的权重参数 /296
★8．5 用图神经网络解释BERT模型 /300
8．5．1 点积计算与聚合计算的关系 /300
8．5．2 从图的角度思考BERT模型 /302

★★第3篇 BERT模型实战

第9章 图神经网络与BERT模型的结合 /306
★9．1 图神经网络基础 /306
9．1．1 图的相关术语和操作 /306
9．1．2 图卷积神经网络 /310
★9．2 DGL库的使用方法 /314
9．2．1 创建图结构 /314
9．2．2 DGL库与NetWorkx库的相互转换 /316
9．2．3 图的基本操作 /319
9．2．4 图的消息传播机制 /322
9．2．5 DGL库中的多图处理 /324
★9．3 【实例】用图节点的聚合方法实现BERT模型 /325
9．3．1 基于Transformers库的BERT模型修改方案 /325
9．3．2 实现图节点聚合的核心代码 /326
9．3．3 将原BERT模型的权重应用到基于图节点聚合方法实现的
BERT模型上 /327
★9．4 什么是关系图卷积网络（R-GCN）模型 /329
9．4．1 R-GCN模型的原理 /329
9．4．2 基于R-GCN模型的优化 /330
9．4．3 R-GCN模型的实现 /330
★9．5 【实例】用R-GCN模型理解文本中的代词 /332
9．5．1 代词数据集（GAP）介绍 /332
9．5．2 将GAP数据集转换成“图”结构数据的思路 /333
9．5．3 用BERT模型提取代词特征 /335
9．5．4 用BERT模型提取其他词特征 /337
9．5．5 用SpaCy工具和批次图方法构建图数据集 /339
9．5．6 搭建多层R-GCN模型 /344
9．5．7 用5折交叉验证方法训练模型 /345

第10章 BERT模型的行业应用 /347
★10．1 BERT模型在文本纠错领域的应用 /347
10．1．1 文本纠错中的常见任务及解决办法 /347
10．1．2 理解BERT模型的纠错能力 /348
10．1．3 改进BERT模型使其具有更强的纠错能力 /348
10．1．4 专用于文本纠错的模型――Soft-Masked BERT模型 /349
10．1．5 基于图神经网络的文本纠错模型――SpellGCN模型 /350
10．1．6 【实例】用Transformers和DGL库实现SpellGCN模型 /351
★10．2 BERT技术在聊天机器人领域的应用 /352
10．2．1 聊天机器人的种类与实现技术 /353
10．2．2 基于BERT模型完成聊天任务的思路 /354
10．2．3 【实例】用累加梯度训练支持中文的DialoGPT模型 /355
10．2．4 更强大的多轮聊天模型――Meena模型 /360
★10．3 BERT模型在服务器端部署的应用 /360
10．3．1 用transformers-cli工具快速部署BERT模型 /360
10．3．2 用torchserve库部署BERT模型 /362