包邮深入浅出Embedding:原理解析与应用实践

前言 **部分 Embedding基础知识 第1章 万物皆可嵌入2 1.1 处理序列问题的一般步骤3 1.2 Word Embedding4 1.2.1 word2vec之前4 1.2.2 CBOW模型5 1.2.3 Skip-Gram模型6 1.2.4 可视化Skip-Gram模型实现过程8 1.2.5 Hierarchical Softmax优化14 1.2.6 Negative Sampling优化15 1.3 Item Embedding16 1.3.1 微软推荐系统使用Item Embedding16 1.3.2 Airbnb推荐系统使用Item Embedding17 1.4 用Embedding处理分类特征17 1.5 Graph Embedding20 1.5.1 DeepWalk方法21 1.5.2 LINE方法21 1.5.3 node2vec方法23 1.5.4 Graph Embedding在阿里的应用23 1.5.5 知识图谱助力推荐系统实例26 1.6 Contextual Word Embedding26 1.6.1 多种预训练模型概述27 1.6.2 多种预训练模型的发展脉络29 1.6.3 各种预训练模型的优缺点29 1.6.4 常用预训练模型30 1.6.5 Transformer的应用32 1.7 使用Word Embedding实现中文自动摘要35 1.7.1 背景说明35 1.7.2 预处理中文语料库35 1.7.3 生成词向量36 1.7.4 把文档的词转换为词向量36 1.7.5 生成各主题的关键词38 1.7.6 查看运行结果39 1.8 小结40 第2章 获取Embedding的方法41 2.1 使用PyTorch的Embedding Layer41 2.1.1 语法格式41 2.1.2 简单实例43 2.1.3 初始化44 2.2 使用TensorFlow 2.0的Embedding Layer45 2.2.1 语法格式45 2.2.2 简单实例45 2.3 从预训练模型获取Embedding47 2.3.1 背景说明47 2.3.2 下载IMDB数据集47 2.3.3 进行分词47 2.3.4 下载并预处理GloVe词嵌入48 2.3.5 构建模型49 2.3.6 训练模型50 2.3.7 可视化训练结果50 2.3.8 不使用预训练词嵌入的情况51 2.4 小结53 第3章 计算机视觉处理54 3.1 卷积神经网络54 3.1.1 卷积网络的一般架构55 3.1.2 增加通道的魅力56 3.1.3 加深网络的动机57 3.1.4 残差连接58 3.2 使用预训练模型59 3.2.1 迁移学习简介59 3.2.2 使用预训练模型的方法60 3.3 获取预训练模型63 3.4 使用PyTorch实现数据迁移实例64 3.4.1 特征提取实例64 3.4.2 微调实例67 3.5 小结69 第4章 文本及序列处理70 4.1 循环网络的基本结构70 4.1.1 标准循环神经网络71 4.1.2 深度循环神经网络72 4.1.3 LSTM网络结构72 4.1.4 GRU网络结构73 4.1.5 双向循环神经网络74 4.2 构建一些特殊模型75 4.2.1 Encoder-Decoder模型75 4.2.2 Seq2Seq模型77 4.3 小结77 第5章 注意力机制78 5.1 注意力机制概述78 5.1.1 两种常见的注意力机制79 5.1.2 注意力机制的本质79 5.2 带注意力机制的Encoder-Decoder模型81 5.2.1 引入注意力机制81 5.2.2 计算注意力分配值83 5.2.3 使用PyTorch实现带注意力机制的Encoder-Decoder模型85 5.3 可视化Transformer88 5.3.1 Transformer的顶层设计89 5.3.2 Encoder与Decoder的输入91 5.3.3 高并发长记忆的实现91 5.3.4 为加深Transformer网络层保驾护航的几种方法98 5.3.5 如何自监督学习98 5.4 使用PyTorch实现Transformer101 5.4.1 Transformer背景介绍101 5.4.2 构建Encoder-Decoder模型101 5.4.3 构建Encoder102 5.4.4 构建Decoder105 5.4.5 构建MultiHeadedAttention107 5.4.6 构建前馈网络层109 5.4.7 预处理输入数据109 5.4.8 构建完整网络112 5.4.9 训练模型113 5.4.10 实现一个简单实例117 5.5 Transformer-XL119 5.5.1 引入循环机制119 5.5.2 使用相对位置编码121 5.5.3 Transformer-XL计算过程122 5.6 使用PyTorch构建Transformer-XL123 5.6.1 构建单个Head Attention123 5.6.2 构建MultiHeadAttention126 5.6.3 构建Decoder129 5.7 Reformer130 5.7.1 使用局部敏感哈希130 5.7.2 使用可逆残差网络131 5.8 小结132 第6章 从Word Embedding到ELMo133 6.1 从word2vec到ELMo133 6.2 可视化ELMo原理134 6.2.1 字符编码层135 6.2.2 双向语言模型137 6.2.3 生成ELMo词嵌入138 6.3 小结139 第7章 从ELMo到BERT和GPT140 7.1 ELMo的优缺点140 7.2 可视化BERT原理141 7.2.1 BERT的整体架构141 7.2.2 BERT的输入143 7.2.3 掩码语言模型144 7.2.4 预测下一个句子145 7.2.5 微调146 7.2.6 使用特征提取方法147 7.3 使用PyTorch实现BERT148 7.3.1 BERTEmbedding类的代码149 7.3.2 TransformerBlock类的代码149 7.3.3 构建BERT的代码150 7.4 可视化GPT原理151 7.4.1 GPT简介151 7.4.2 GPT的整体架构151