TensorFlow与自然语言处理应用

目 录

第1章 自然语言处理基础 1
1.1 认识自然语言处理 2
1.2 自然语言处理方面的任务 2
1.3 **阶段：偏理论的理性主义 4
1.4 第二阶段：偏实践应用的经验主义 5
1.5 第三阶段：深度学习阶段 7
1.6 NLP中深度学习的局限性 9
1.7 NLP的应用场景 10
1.8 NLP的发展前景 13
1.9 总结 14
第2章 深度学习基础 15
2.1 深度学习介绍 15
2.2 深度学习演变简述 16
2.2.1 深度学习早期 16
2.2.2 深度学习的发展 17
2.2.3 深度学习的爆发 17
2.3 神经网络介绍 18
2.4 神经网络的基本结构 19
2.5 两层神经网络（多层感知器） 22
2.5.1 简述 22
2.5.2 两层神经网络结构 22
2.6 多层神经网络（深度学习） 23
2.6.1 简述 23
2.6.2 多层神经网络结构 24
2.7 编码器-解码器网络 24
2.8 随机梯度下降 25
2.9 反向传播 27
2.10 总结 31
第3章 TensorFlow 32
3.1 TensorFlow概念解读 32
3.2 TensorFlow主要特征 33
3.2.1 自动求微分 33
3.2.2 多语言支持 33
3.2.3 高度的灵活性 34
3.2.4 真正的可移植性 34
3.2.5 将科研和产品联系在一起 34
3.2.6 性能*优化 34
3.3 TensorFlow安装 34
3.4 TensorFlow计算图 40
3.5 TensorFlow张量和模型会话 42
3.5.1 张量 42
3.5.2 会话 43
3.6 TensorFlow工作原理 43
3.7 通过一个示例来认识TensorFlow 45
3.8 TensorFlow客户端 47
3.9 TensorFlow中常见元素解读 49
3.9.1 在TensorFlow中定义输入 50
3.9.2 在TensorFlow中定义变量 56
3.9.3 定义TensorFlow输出 57
3.9.4 定义TensorFlow运算或操作 58
3.10 变量作用域机制 68
3.10.1 基本原理 68
3.10.2 通过示例解读 69
3.11 实现一个神经网络 71
3.11.1 数据准备 71
3.11.2 定义TensorFlow计算图 71
3.11.3 运行神经网络 73
3.12 总结 75
第4章 词嵌入 77
4.1 分布式表示 78
4.1.1 分布式表示的直观认识 78
4.1.2 分布式表示解读 78
4.2 Word2vec模型（以Skip-Gram为例） 84
4.2.1 直观认识Word2vec 85
4.2.2 定义任务 85
4.2.3 从原始文本创建结构化数据 85
4.2.4 定义词嵌入层和神经网络 86
4.2.5 整合 87
4.2.6 定义损失函数 89
4.2.7 利用TensorFlow实现Skip-Gram模型 93
4.3 原始Skip-Gram模型和改进Skip-Gram模型对比分析 96
4.3.1 原始的Skip-Gram算法的实现 97
4.3.2 将原始Skip-Gram与改进后的Skip-Gram进行比较 98
4.4 CBOW模型 98
4.4.1 CBOW模型简述 98
4.4.2 利用TensorFlow实现CBOW 算法 100
4.5 Skip-Gram和 CBOW对比 101
4.5.1 Skip-Gram和CBOW模型结构分析 101
4.5.2 代码层面对比两模型性能 102
4.5.3 Skip-Gram和CBOW模型孰优 104
4.6 词嵌入算法的扩展 105
4.6.1 使用Unigram分布进行负采样 105
4.6.2 降采样 107
4.6.3 CBOW 和其扩展类型比较 107
4.7 结构化Skip-Gram和连续窗口模型 108
4.7.1 结构化Skip-Gram算法 108
4.7.2 连续窗口模型 110
4.8 GloVe模型 111
4.8.1 共现矩阵 112
4.8.2 使用GloVe模型训练词向量 112
4.8.3 GloVe模型实现 113
4.9 使用Word2Vec进行文档分类 114
4.9.1 数据集 115
4.9.2 使用词向量对文档进行分类 115
4.9.3 小结 119
4.10 总结 120
第5章 卷积神经网络与句子分类 121
5.1 认识卷积神经网络 121
5.1.1 卷积神经网络的历史演变 121
5.1.2 卷积神经网络结构简述 122
5.2 输入层 125
5.3 卷积运算层 126
5.3.1 标准卷积 126
5.3.2 带步幅的卷积 127
5.3.3 带填充的卷积 127
5.3.4 转置卷积 128
5.3.5 参数共享机制 129
5.4 激活函数 131
5.4.1 常见激活函数及选择 131
5.4.2 各个非线性激活函数对比分析 132
5.5 池化层 134
5.5.1 理解池化 134
5.5.2 池化作用 135
5.5.3 *大池化 135
5.5.4 平均池化 136
5.6 全连接层 136
5.7 整合各层并使用反向传播进行训练 137
5.8 常见经典卷积神经网络 138
5.8.1 AlexNet 138
5.8.2 VGGNet 143
5.8.3 Google Inception Net 146
5.8.4 ResNet网络 149
5.9 利用CNN对MNIST数据集进行图片分类 150
5.9.1 数据样本 151
5.9.2 实现CNN 151
5.9.3 分析CNN产生的预测结果 153
5.10 利用CNN进行句子分类 154
5.10.1 CNN结构部分 154
5.10.2 池化运算 157
5.10.3 利用CNN实现句子分类 158
5.11 总结 160
第6章 循环神经网络 161
6.1 计算图及其展开 162
6.2 RNN解读 163
6.2.1 序列数据模型 163
6.2.2 数学层面简要解读RNN 165
6.3 通过时间的反向传播算法 166
6.3.1 反向传播工作原理 166
6.3.2 直接使用反向传播的局限性 167
6.3.3 通过反向传播训练RNN 168
6.3.4 截断BPTT 168
6.3.5 BPTT的局限性——梯度消失和梯度爆炸 168
6.4 RNN的应用类型 170
6.4.1 一对一的RNN 170
6.4.2 一对多的RNN 170
6.4.3 多对一的RNN 171
6.4.4 多对多的RNN 171
6.5 利用RNN生成文本 172
6.5.1 定义超参数 172
6.5.2 随着时间的推移展开截断BPTT的输入 173
6.5.3 定义验证数据集 173
6.5.4 定义权重值和偏差 174
6.5.5 定义状态永久变量 174
6.5.6 使用展开的输入计算隐藏状态和输出 174
6.5.7 计算损失 175
6.5.8 在新文本片段的开头重置状态 175
6.5.9 计算验证输出 176
6.5.10 计算梯度和优化 176
6.6 输出新生成的文本片段 176
6.7 评估RNN的文本结果输出 177
6.8 困惑度——文本生成结果质量的度量 178
6.9 具有上下文特征的循环神经网络——RNN-CF 179
6.9.1 RNN-CF的技术说明 180
6.9.2 RNN-CF的实现 181
6.9.3 定义RNN-CF超参数 181
6.9.4 定义输入和输出占位符 181
6.9.5 定义RNN-CF的权重值 182
6.9.6 用于维护隐藏层和上下文状态的变量和操作 183
6.9.7 计算输出 184
6.9.8 计算损失 185
6.9.9 计算验证输出 185
6.9.10 计算测试输出 186
6.9.11 计算梯度和优化 186
6.10 使用RNN-CF生成的文本 186
6.11 总结 188
第7章 长短期记忆 190
7.1 LSTM简述 191
7.2 LSTM工作原理详解 192
7.2.1 梯度信息如何无损失传递 194
7.2.2 将信息装载入长时记忆细胞 194
7.2.3 更新细胞状态可能产生的问题及解决方案 196
7.2.4 LSTM模型输出 199
7.3 LSTM与标准RNN的区别 200
7.4 LSTM如何避免梯度消失和梯度爆炸问题 201
7.5 优化LSTM 203
7.5.1 贪婪采样 203
7.5.2 集束搜索 204
7.5.3 使用词向量 205
7.5.4 双向LSTM 206
7.6 LSTM的其他变体 207
7.6.1 窥视孔连接 207
7.6.2 门控循环单元 208
7.7 总结 210
第8章 利用LSTM自动生成文本 211
8.1 文本到文本的生成 212
8.1.1 文本摘要 212
8.1.2 句子压缩与融合 213
8.1.3 文本复述生成 213
8.2 意义到文本的生成 214
8.2.1 基于深层语法的文本生成 214
8.2.2 基于同步文法的文本生成 215
8.3 数据到文本的生成 216
8.4 文本自动生成前的数据准备 218
8.4.1 数据集 218
8.4.2 预处理数据 220
8.5 实现LSTM 220
8.5.1 定义超参数 221
8.5.2 定义参数 221
8.5.3 定义LSTM细胞及其操作 223
8.5.4 定义输入和标签 223
8.5.5 定义处理序列数据所需的序列计算 224
8.5.6 定义优化器 225
8.5.7 随着时间的推移衰减学习率 225
8.5.8 进行预测 226
8.5.9 计算困惑度（损失） 227
8.5.10 重置状态 227
8.5.11 贪婪采样打破重复性 227
8.5.12 生成新文本 227
8.5.13 示例生成的文本 228
8.6 标准LSTM与带有窥视孔连接和GRU的LSTM的比较 229
8.6.1 标准LSTM 229
8.6.2 门控循环单元 231
8.6.3 带窥视孔连接的LSTM 233
8.6.4 随着时间的推移训练和验证困惑度 235
8.7 优化LSTM——集束搜索 236
8.7.1 实现集束搜索 236
8.7.2 使用集束搜索生成文本的示例 238
8.8 改进LSTM——使用词而不是n-gram生成文本 239
8.8.1 维度问题 239
8.8.2 完善Word2vec 239
8.8.3 使用Word2vec生成文本 240
8.8.4 使用LSTM-Word2vec和集束搜索生成文本的示例 241
8.8.5 困惑度随着时间推移的变化情况 242
8.9 使用TensorFlow RNN API 242
8.10 总结 246
第9章 利用LSTM实现图像字幕自动生成 247
9.1 简要介绍 248
9.2 发展背景 248
9.3 利用深度学习框架从图像中生成字幕 249
9.3.1 End-to-End 框架 249
9.3.2 组合框架 251
9.3.3 其他框架 252
9.4 评估指标和基准 253
9.5 近期研究 254
9.6 图像字幕的产业布局 255
9.7 详解图像字幕自动生成任务 255
9.7.1 认识数据集 255
9.7.2 用于图像字幕自动生成的深度学习管道 257
9.7.3 使用CNN提取图像特征 259
9.7.4 使用VGG-16加载权重值并进行推理 260
9.7.5 学习词向量 264
9.7.6 为LSTM模型准备字幕数据 265
9.7.7 生成LSTM的数据 266
9.7.8 定义LSTM 267
9.7.9 定量评估结果 270
9.7.10 为测试图像集生成字幕 273
9.7.11 使用TensorFlow RNN API和预训练的GloVe词向量 276
9.8 总结 284
第10章 情感分析 286
10.1 认识情感分析 286
10.2 情感分析的问题 288
10.3 情感文档分类 291
10.4 句子主观性与情感分类 292
10.5 基于方面（Aspect）的情感分析 293
10.6 情感词典生成 293
10.7 意见摘要 294
10.8 比较观点分析 294
10.9 意见搜索 295
10.10 垃圾评论检测 295
10.10.1 垃圾评论概述 295
10.10.2 垃圾评论的类型 296
10.10.3 可观察到的信息 297
10.10.4 数据样本 298
10.10.5 垃圾评论检测方法 299
10.11 评论的质量 302
10.12 利用TensorFlow进行中文情感分析实现 304
10.12.1 训练语料 304
10.12.2 分词和切分词 304
10.12.3 索引长度标准化 305
10.12.4 反向切分词 305
10.12.5 准备词向量矩阵 306
10.12.6 填充和截短 306
10.12.7 构建模型 306
10.12.8 结论 307
10.13 总结 308
第11章 机器翻译 310
11.1 机器翻译简介 311
11.2 基于规则的翻译 312
11.2.1 基于转换的机器翻译 312
11.2.2 语际机器翻译 314
11.2.3 基于字典的机器翻译 317
11.3 统计机器翻译 318
11.3.1 统计机器翻译的基础 318
11.3.2 基于词的翻译 319
11.3.3 基于短语的翻译 319
11.3.4 基于句法的翻译 320
11.3.5 基于分层短语的翻译 321
11.3.6 统计机器翻译的优势与不足 321
11.4 神经网络机器翻译 321
11.4.1 发展背景 321
11.4.2 神经网络机器翻译的特性 323
11.4.3 通过例子来认识神经网络机器翻译（NMT）模型的结构 323
11.4.4 神经网络机器翻译（NMT）模型结构详解 323
11.5 神经网络机器翻译（NMT）系统的前期准备工作 326
11.5.1 训练阶段 326
11.5.2 反转源语句 327
11.5.3 测试阶段 328
11.6 BLEU评分——评估机器翻译系统 329
11.6.1 BLEU简述 329
11.6.2 BLEU度量 330
11.6.3 BLEU的调整和惩罚因子 332
11.6.4 BLEU得分总结 333
11.7 完整实现神经网络机器翻译——德语到英语翻译 333
11.7.1 关于样本数据 334
11.7.2 预处理数据 334
11.7.3 学习词向量 335
11.7.4 定义编码器和解码器 336
11.7.5 定义端到端输出计算 338
11.7.6 神经网络机器翻译系统运行结果（部分）的展示 339
11.8 结合词向量训练神经网络机器翻译系统 342
11.8.1 *大化数据集词汇和预训练词向量之间的匹配 342
11.8.2 为词嵌入层定义TensorFlow变量 344
11.9 优化神经网络机器翻译系统 346
11.9.1 Teacher Forcing算法 346
11.9.2 深度 LSTM 348
11.9.3 注意力模型 349
11.10 实现注意力机制 356
11.10.1 定义权重值 356
11.10.2 计算注意力 357
11.10.3 含有注意力机制的神经网络机器翻译的部分翻译结果 358
11.11 可视化源语句和目标语句的注意力 361
11.12 历史性突破——BERT模型 362
11.12.1 BERT模型简述 362
11.12.2 BERT模型结构 363
11.13 总结 364
第12章 智能问答系统 366
12.1 概要 366
12.2 基于知识库的问答 367
12.2.1 信息抽取 367
12.2.2 语义分析模式 371
12.2.3 信息抽取与语义分析小结 374
12.2.4 挑战 374
12.3 机器理解中的深度学习 375
12.3.1 任务描述 375
12.3.2 基于特征工程的机器理解方法 378
12.3.3 机器理解中的深度学习方法 381
12.4 利用TensorFlow实现问答任务 386
12.4.1 bAbI数据集 386
12.4.2 分析GloVe并处理未知令牌 387
12.4.3 已知或未知的数据部分 388
12.4.4 定义超参数 390
12.4.5 神经网络结构部分 391
12.4.6 输入部分 392
12.4.7 问题部分 392
12.4.8 情景记忆部分 392
12.4.9 注意力部分 393
12.4.10 答案模块 394
12.4.11 模型优化 395
12.4.12 训练模型并分析预测 395
12.5 总结 397