TensorFlow與自然語言處理應(yīng)用

TensorFlow與自然語言處理應(yīng)用讀書筆記模板01思維導(dǎo)圖目錄分析讀書筆記內(nèi)容摘要作者介紹精彩摘錄目錄0305020406思維導(dǎo)圖自然語言處理自然語言處理計算機自然語言應(yīng)用基礎(chǔ)神經(jīng)網(wǎng)絡(luò)文本深度模型第章分析情感生成系統(tǒng)機器翻譯工作詞梯度本書關(guān)鍵字分析思維導(dǎo)圖內(nèi)容摘要內(nèi)容摘要自然語言處理（NLP）是計算機科學(xué)、人工智能、語言學(xué)**計算機和人類（自然）語言之間的相互作用的領(lǐng)域。自然語言處理是機器學(xué)習(xí)的應(yīng)用之一，用于分析、理解和生成自然語言，它與人機交互有關(guān)，最終實現(xiàn)人與計算機之間更好的交流。本書分為12章，內(nèi)容包括自然語言處理基礎(chǔ)、深度學(xué)習(xí)基礎(chǔ)、TensorFlow、詞嵌入（WordEmbedding）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）與句子分類、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶（LSTM）、利用LSTM實現(xiàn)圖像字幕自動生成、情感分析、機器翻譯及智能問答系統(tǒng)。本書適合TensorFlow自然語言處理技術(shù)的初學(xué)者、NLP應(yīng)用開發(fā)人員、NLP研究人員，也適合高等院校和培訓(xùn)學(xué)校相關(guān)專業(yè)的師生教學(xué)參考。目錄分析1.1認識自然語言處理1.2自然語言處理方面的任務(wù)1.3第一階段：偏理論的理性主義1.4第二階段：偏實踐應(yīng)用的經(jīng)驗主義1.5第三階段：深度學(xué)習(xí)階段12345第1章自然語言處理基礎(chǔ)1.6NLP中深度學(xué)習(xí)的局限性1.7NLP的應(yīng)用場景1.8NLP的發(fā)展前景1.9總結(jié)第1章自然語言處理基礎(chǔ)2.1深度學(xué)習(xí)介紹2.3神經(jīng)網(wǎng)絡(luò)介紹2.2深度學(xué)習(xí)演變簡述第2章深度學(xué)習(xí)基礎(chǔ)2.4神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)2.5兩層神經(jīng)網(wǎng)絡(luò)（多層感知器）2.6多層神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)）2.7編碼器－解碼器網(wǎng)絡(luò)第2章深度學(xué)習(xí)基礎(chǔ)2.8隨機梯度下降2.10總結(jié)2.9反向傳播第2章深度學(xué)習(xí)基礎(chǔ)3.1TensorFlow概念解讀3.2TensorFlow主要特征3.3TensorFlow安裝3.4TensorFlow計算圖第3章TensorFlow3.5TensorFlow張量和模型會話3.6TensorFlow工作原理3.7通過一個示例來認識TensorFlow3.8TensorFlow客戶端第3章TensorFlow3.9TensorFlow中常見元素解讀3.10變量作用域機制3.11實現(xiàn)一個神經(jīng)網(wǎng)絡(luò)3.12總結(jié)第3章TensorFlow4.1分布式表示4.2Word2vec模型（以Skip-Gram為例）4.3原始Skip-Gram模型和改進Skip-Gram模型對比分析4.4CBOW模型4.5Skip-Gram和CBOW對比12345第4章詞嵌入4.6詞嵌入算法的擴展4.7結(jié)構(gòu)化Skip-Gram和連續(xù)窗口模型4.8GloVe模型4.9使用Word2Vec進行文檔分類4.10總結(jié)12345第4章詞嵌入5.1認識卷積神經(jīng)網(wǎng)絡(luò)5.2輸入層5.3卷積運算層5.4激活函數(shù)第5章卷積神經(jīng)網(wǎng)絡(luò)與句子分類5.5池化層5.6全連接層5.7整合各層并使用反向傳播進行訓(xùn)練5.8常見經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)第5章卷積神經(jīng)網(wǎng)絡(luò)與句子分類5.9利用CNN對MNIST數(shù)據(jù)集進行圖片分類5.11總結(jié)5.10利用CNN進行句子分類第5章卷積神經(jīng)網(wǎng)絡(luò)與句子分類6.1計算圖及其展開6.2RNN解讀6.3通過時間的反向傳播算法6.4RNN的應(yīng)用類型第6章循環(huán)神經(jīng)網(wǎng)絡(luò)6.5利用RNN生成文本6.6輸出新生成的文本片段6.7評估RNN的文本結(jié)果輸出6.8困惑度——文本生成結(jié)果質(zhì)量的度量6.9具有上下文特征的循環(huán)神經(jīng)網(wǎng)絡(luò)——RNN-CF12345第6章循環(huán)神經(jīng)網(wǎng)絡(luò)6.11總結(jié)6.10使用RNN-CF生成的文本第6章循環(huán)神經(jīng)網(wǎng)絡(luò)7.1LSTM簡述7.2LSTM工作原理詳解7.3LSTM與標準RNN的區(qū)別7.4LSTM如何避免梯度消失和梯度爆炸問題第7章長短期記憶7.5優(yōu)化LSTM7.7總結(jié)7.6LSTM的其他變體第7章長短期記憶8.1文本到文本的生成8.2意義到文本的生成8.3數(shù)據(jù)到文本的生成8.4文本自動生成前的數(shù)據(jù)準備第8章利用LSTM自動生成文本8.5實現(xiàn)LSTM8.6標準LSTM與帶有窺視孔連接和GRU的LSTM的比較8.7優(yōu)化LSTM——集束搜索8.8改進LSTM——使用詞而不是n-gram生成文本8.9使用TensorFlowRNNAPI8.10總結(jié)010302040506第8章利用LSTM自動生成文本9.1簡要介紹9.2發(fā)展背景9.3利用深度學(xué)習(xí)框架從圖像中生成字幕9.4評估指標和基準9.5近期研究12345第9章利用LSTM實現(xiàn)圖像字幕自動生成9.6圖像字幕的產(chǎn)業(yè)布局9.8總結(jié)9.7詳解圖像字幕自動生成任務(wù)第9章利用LSTM實現(xiàn)圖像字幕自動生成10.1認識情感分析10.2情感分析的問題10.3情感文檔分類10.4句子主觀性與情感分類第10章情感分析10.5基于方面（Aspect）的情感分析10.6情感詞典生成10.7意見摘要10.8比較觀點分析10.9意見搜索10.10垃圾評論檢測010302040506第10章情感分析10.11評論的質(zhì)量10.13總結(jié)10.12利用TensorFlow進行中文情感分析實現(xiàn)第10章情感分析11.1機器翻譯簡介11.3統(tǒng)計機器翻譯11.2基于規(guī)則的翻譯第11章機器翻譯11.4神經(jīng)網(wǎng)絡(luò)機器翻譯11.5神經(jīng)網(wǎng)絡(luò)機器翻譯（NMT）系統(tǒng)的前期準備工作11.6BLEU評分——評估機器翻譯系統(tǒng)11.7完整實現(xiàn)神經(jīng)網(wǎng)絡(luò)機器翻譯——德語到英語翻譯11.8結(jié)合詞向量訓(xùn)練神經(jīng)網(wǎng)絡(luò)機器翻譯系統(tǒng)12345第11章機器翻譯11.9優(yōu)化神經(jīng)網(wǎng)絡(luò)機器翻譯系統(tǒng)11.10實現(xiàn)注意力機制11.11可視化源語句和目標語句的注意力11.12歷史性突破——BERT模型11.13總結(jié)12345第11章機器翻譯12.1概要12.2基于知識庫的問答12.3機器理解中的深度學(xué)習(xí)12.4利用TensorFlow實現(xiàn)問答任務(wù)12.5總結(jié)12345第12章智能問答系統(tǒng)作者介紹同名作者介紹這是《TensorFlow與