亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

//www.oreilly.com/library/view/natural-language-processing/9781098103231/

自2017年推出以來，Transformer已迅速成為在各種自然語言處理任務上實現最先進結果的主導架構。如果你是一名數據科學家或程序員，這本實用的書向你展示了如何使用基于python的深度學習庫hugs Face transformer來訓練和擴展這些大型模型。

Transformers 已經被用來編寫真實的新聞故事，改進谷歌搜索查詢，甚至創造出講笑話的聊天機器人。在本指南中，作者Lewis Tunstall、Leandro von Werra和Thomas Wolf(擁抱Transformers 的創始人之一)使用親身實踐的方法來教你Transformers如何工作，以及如何將它們集成到應用程序中。你會很快學到他們能幫你解決的各種任務。

• 為核心NLP任務構建、調試和優化Transformers模型，如文本分類、命名實體識別和回答問題

• 學習如何使用Transformers進行跨語言遷移學習

• 在真實世界中標簽數據稀缺的場景中應用Transformers

• 利用蒸餾、剪枝和量化等技術，使Transformers模型有效地用于部署

• 從零開始訓練Transformers ，學習如何擴展到多個GPU和分布式環境

本書的目標是讓您能夠構建自己的語言應用程序。為了達到這個目的，它關注于實際的用例，并且只在必要的時候深入研究理論。這本書的風格是動手操作，我們強烈建議您親自運行代碼示例來進行試驗。本書涵蓋了NLP中transformers的所有主要應用，每一章(除了少數例外)專門針對一個任務，結合一個實際的用例和數據集。每一章還介紹了一些額外的概念。以下是我們將涉及的任務和主題的一個高級概述:

第一章，你好Transformers，介紹了Transformers，并把它們放到了背景中。它還介紹了“Hugging Face”生態系統。

第二章文本分類，重點介紹了情感分析(一個常見的文本分類問題)，并介紹了Trainer API。

第三章，Transformer剖析，更深入地介紹了Transformer架構，為接下來的章節做準備。

第四章，多語言命名實體識別，重點關注在多語言文本中識別實體的任務(一個令牌分類問題)。

第五章，文本生成，探討了Transformers模型生成文本的能力，并介紹了解碼策略和度量。

第六章，摘要，深入研究了文本摘要的復雜序列到序列任務，并探討了該任務使用的度量。

第七章“問答”，重點介紹了基于綜述的問答系統的構建，并介紹了利用Haystack進行檢索的方法。

第八章《Transformers在生產中高效運行》，重點介紹了模型性能。我們將著眼于意圖檢測的任務(序列分類問題的一種類型)，并探索知識蒸餾、量化和剪枝等技術。

第九章，處理很少或沒有標簽，著眼于在沒有大量標簽數據的情況下提高模型性能的方法。我們將構建一個GitHub問題標簽和探索技術，如零樣本分類和數據增強。

第十章，從頭開始訓練Transformer，向您展示了如何從頭開始構建和訓練一個自動完成Python源代碼的模型。我們將研究數據集流和大規模培訓，并構建我們自己的標記器。

第十一章，未來方向，探討了Transformers面臨的挑戰和一些令人興奮的新方向的研究，在這一領域將進入。

PyTorch非常容易學習，并提供了一些高級特性，比如支持多處理器，以及分布式和并行計算。PyTorch有一個預訓練模型庫，為圖像分類提供開箱即用的解決方案。PyTorch提供了進入尖端深度學習的最易訪問的切入點之一。它與Python編程語言緊密集成，因此對于Python程序員來說，編寫它似乎是自然和直觀的。獨特的、動態的處理計算圖的方法意味著PyTorch既高效又靈活。

本書是為那些想要使用PyTorch進行深度學習的人而寫的。目的是通過直接實驗讓您了解深度學習模型。這本書非常適合那些熟悉Python，了解一些機器學習基礎知識，并正在尋找一種方法來有效地發展他們的技能的人。這本書將集中在最重要的特征和給出實際的例子。它假設您有Python的工作知識，并熟悉相關的數學思想，包括線性代數和微分。這本書提供了足夠的理論，讓你開始和運行，不需要嚴格的數學理解。在本書結束時，您將有一個深度學習系統的實用知識，并能夠應用PyTorch模型來解決您關心的問題。

題目： Deep Learning with PyTorch

摘要： 《PyTorch 深度學習》旨在指導人們開始自己的 AI/機器學習開發之路，全書總共只有 5 個章節， PyTorch的深度學習提供了一個詳細的、實踐性的介紹，介紹了使用PyTorch構建和訓練神經網絡，PyTorch是一個流行的開源機器學習框架。這本書包括：

• 深度學習與PyTorch圖書館簡介

• 預訓練網絡

• 張量

• 學習機制

• 用神經網絡擬合數據

第一章是入門內容介紹，主要介紹了什么是 PyTorch和為什么我們要選擇 PyTorch，以及對本書內容層次的總體介紹，讓剛剛入門的讀者能夠開門見山，大量的插圖介紹了深度學習和Pytorch的概念。

第二章則從張量這一深度學習的基本概念開始，介紹了張量的相關數學機制，以及深度學習是怎樣處理數據，完成學習這一過程的。

第三章開始則通過張量和真實世界的數據進行聯系，說明了如何使用張量表示表格、時序、圖像和文本等數據。

第四章則進入機器學習機制的介紹，說明了深度學習的權重更新和反向傳播原理。

第五章主要集中在使用 PyTorch 構建神經網絡并擬合數據分布。有了前幾章的理論基礎，這一章會增加很多代碼方面實踐介紹。

作者簡介：

Eli Stevens過去15年在硅谷做軟件工程師，過去7年在一家制造醫療設備軟件的初創公司擔任首席技術官。

Luca Antiga是位于意大利貝加莫的一家人工智能工程公司的聯合創始人兼首席執行官，也是Pythorch的定期撰稿人。

主題： Deep Learning with Python

摘要： 《 Python深度學習》第二版全面介紹了使用Python和強大的Keras庫進行的深度學習領域。 由Keras的創建者Google AI研究人員Fran?oisChollet撰寫，此修訂版已更新了新章節，新工具和最新研究中的尖端技術。 讀者將通過實際示例和直觀的說明來加深理解，這些示例使深度學習的復雜性易于理解。

計算機視覺是許多前沿創新的核心，包括自動駕駛汽車、無人機、增強現實、面部識別等等。由于人工智能和深度學習(DL)的快速發展，每天都有驚人的新的計算機視覺應用程序被開發出來。這本《深度學習視覺系統》教你的概念和工具，建立智能，可擴展的計算機視覺系統，可以識別和反應的對象，在圖像，視頻，和現實生活。有了作者Mohamed Elgendy的專家指導和現實世界項目的說明，您將最終掌握最先進的深度學習技術，這樣您就可以構建、貢獻和領導令人興奮的計算機視覺領域!

對這項技術

通過使用深度神經網絡，人工智能系統根據它們對輸入數據的感知做出決策。基于深度學習的計算機視覺(CV)技術，增強和解釋視覺感知，使圖像識別、生成和分類等任務成為可能。CV的令人興奮的進步已經在包括機器人、自動化、農業、醫療保健和安全在內的廣泛行業中產生了解決方案。在許多情況下，CV被認為比人類視覺更準確，這是一個重要的區別，當你想到CV程序可以檢測皮膚癌或在醫學診斷掃描中發現異常時。無論我們談論的是自動駕駛汽車還是拯救生命的醫療項目，毫無疑問，計算機視覺的深度學習應用正在改變世界。

百度網盤：鏈接: //pan.baidu.com/s/1nhgWcnW4Yf8f40DF3zGdHg 提取碼: 9vzk

關于這本書 深度學習視覺系統教你應用深度學習技術來解決真實世界的計算機視覺問題。DL和CV專家Mohamed Elgendy以其簡單易懂的風格向您介紹了視覺直覺的概念——機器如何學習理解它所看到的東西。然后你將探索不同簡歷應用中的DL算法。你將深入到簡歷解釋系統或管道的不同部分。使用Python、OpenCV、Keras、Tensorflow和Amazon的MxNet，您將發現解決CV問題的高級DL技術。

我們聚焦的應用包括圖像分類、分割、字幕描述、生成以及人臉識別和分析。您還將學習最重要的深度學習體系結構，包括人工神經網絡(ANNs)、卷積網絡(cns)和遞歸網絡(RNNs)，您可以將這些知識應用到相關的深度學習學科，如自然語言處理和語音用戶界面。來自Amazon、谷歌和Facebook的真實的、可擴展的項目把這一切都帶回家了。有了這本無價的書，你將獲得必要的技能，以建立驚人的端到端的CV項目，解決現實世界的問題。

里面有什么

• 計算機視覺概論
• 深度學習和神經網絡
• 轉移學習和先進的CNN架構
• 圖像分類和字幕
• 使用YOLO、SSD和R-CNN進行目標檢測
• 風格轉移
• AI倫理
• 實際項目

目錄：

Part I. DEEP LEARNING FOUNDATION

1. Introduction to Computer Vision
2. Deep learning and neural networks
3. Convolutional Neural Networks (CNNs)
4. Improving deep neural networks and hyperparameters tuningart I. Image Classification and Object Detection
5. Advanced CNN architectures
6. Transfer learning
7. Object detection with YOLO, SSD and R-CNNPART III. Generative Models
8. Generative Adversarial Networks (GANs)
9. DeepDream and Neural Style Transfer
10. Visual Embeddings

書名： Deep Learning for Search

簡介：

深度學習搜索是一本實用的書，關于如何使用(深度)神經網絡來幫助建立有效的搜索引擎。這本書研究了一個搜索引擎的幾個組成部分，提供了關于它們如何工作的見解以及如何在每個環境中使用神經網絡的指導。重點介紹了基于實例的實用搜索和深度學習技術，其中大部分都有代碼。同時，在適當的地方提供相關研究論文的參考資料，以鼓勵閱讀更多的書籍，加深對特定主題的知識。

讀完這本書，將對搜索引擎的主要挑戰有所理解，它們是如何被普遍解決的以及深度學習可以做些什么來幫助。并且將對幾種不同的深度學習技術以及它們在搜索環境中的適用范圍有一個理解，將很好地了解Lucene和Deeplearning4j庫。

這本書主要分為3個部分：

• 第1部分介紹了搜索、機器學習和深度學習的基本概念。第一章介紹了應用深度學習技術來搜索問題的原理，涉及了信息檢索中最常見的方法。第2章給出了如何使用神經網絡模型從數據中生成同義詞來提高搜索引擎效率的第一個例子。

• 第2部分討論了可以通過深度神經網絡更好地解決的常見搜索引擎任務。第3章介紹了使用遞歸神經網絡來生成用戶輸入的查詢。第四章在深度神經網絡的幫助下，在用戶輸入查詢時提供更好的建議。第5章重點介紹了排序模型:尤其是如何使用詞嵌入提供更相關的搜索結果。第6章討論了文檔嵌入在排序函數和內容重新編碼上下文中的使用。

• 第3部分將介紹更復雜的場景，如深度學習機器翻譯和圖像搜索。第7章通過基于神經網絡的方法為你的搜索引擎提供多語言能力來指導你。第8章討論了基于內容的圖像集合的搜索，并使用了深度學習模型。第9章討論了與生產相關的主題，如微調深度學習模型和處理不斷輸入的數據流。

作者簡介：

Tommaso Teofili是一名軟件工程師，他對開源機器學習充滿熱情。作為Apache軟件基金會的成員，他為許多開放源碼項目做出了貢獻，從信息檢索到自然語言處理和機器翻譯等主題。他目前在Adobe工作，開發搜索和索引基礎結構組件，并研究自然語言處理、信息檢索和深度學習等領域。他曾在各種會議上發表過搜索和機器學習方面的演講，包括BerlinBuzzwords、計算科學國際會議、ApacheCon、EclipseCon等。

簡介： 物聯網（IoT）被廣泛認為是未來Internet的關鍵組成部分，因此近年來引起了極大的興趣。物聯網由數十億個智能且可通信的“事物”組成，這些事物進一步通過物聯網虛擬世界擴展了邊界世界。這種無處不在的智能事物每天都會產生大量數據，因此迫切需要對各種智能移動設備進行快速數據分析。幸運的是，深度學習領域的最新突破使我們能夠以優雅的方式解決問題。可以導出深度模型來處理大量傳感器數據，并快速有效地了解智能設備上各種IoT應用程序的基礎功能。在本文中，我們調查了有關將深度學習用于各種物聯網應用的文獻。我們旨在就如何從多種角度應用深度學習工具以在四個代表性領域（包括智能醫療保健，智能家居，智能交通和智能產業）中增強物聯網應用程序的功能提供見解。主要目標是將深度學習和物聯網這兩個學科無縫地融合在一起，從而在物聯網應用中產生了各種各樣的新設計，例如健康監測，疾病分析，室內定位，智能控制，家用機器人技術，交通預測，交通監視，自動駕駛和制造檢查。我們還將討論一系列問題，挑戰和未來的研究方向，這些問題將利用深度學習來為物聯網應用程序提供支持，這可能會激發并激發這一有前途的領域的進一步發展。