这几年，自然语言处理（NLP）绝对是机器学习领域最火的方向。那么今天给大家带来一本 《HuggingFace自然语言处理详解——基于BERT中文模型的任务实战》
这本大模型书籍资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
★内容全面
本书是一本对HuggingFace工具集进行综合性讲解的图书，既有基础知识，也有实战示例，还包括底层原理的讲解。
★语言简洁
本书尽量以最简洁的语言书写，每个章节之间的内容尽量独立，使读者可以跳跃阅读而没有障碍。
★ 代码清晰
本书的代码也尽量以最简洁的形式书写，使读者阅读不感吃力。每个代码块即是一个测试单元，读者可以对每个程序的每个代码块按从上到下的顺序进行测试，从一个个小知识点聚沙成塔，融会贯通。
本书综合性讲解HuggingFace社区提供的工具集datasets和transformers，书中包括最基础的工具集的用例演示，具体的项目实战，以及预训练模型的底层设计思路和实现原理的介绍。通过本书的学习，读者可以快速掌握HuggingFace工具集的使用方法，掌握自然语言处理项目的一般研发流程，并能研发自己的自然语言处理项目。
本书分为3篇共14章：
工具集基础用例演示篇（第1～6章） ，详细讲解HuggingFace工具集的基本使用目的一般流程；
预训练模型底层原理篇（第13、14章） ，详细阐述了预训练模型的设计思路和计算原理。
本书将使用最简单浅显的语言，带领读者快速了解HuggingFace工具集的使用方法。通过本书实战项目的学习，读者可以掌握一般的自然语言处理项目的研发流程。通过本书预训练模型底层原理的学习，读者能够知其然也知其所以然，做到融会贯通。方法；
中文项目实战篇（第7～12章） ，通过几个实战项目演示使用HuggingFace工具集研发自然语言处理项。
本书适合有PyTorch编程基础的读者阅读，也适合作为对自然语言处理感兴趣的读者的参考图书。
工具集基础用例演示篇
第1章 HuggingFace简介 3
第2章 使用编码工具 6
2.1 编码工具简介 6
2.2 编码工具工作流示意 6
2.3 使用编码工具 8
2.4 小结 15
第3章 使用数据集工具 16
3.1 数据集工具介绍 16
3.2 使用数据集工具 17
3.2.1 数据集加载和保存 17
3.2.2 数据集基本操作 19
3.2.3 将数据集保存为其他格式 24
3.3 小结 25
第4章 使用评价指标工具 26
4.1 评价指标工具介绍 26
4.2 使用评价指标工具 26
4.3 小结 27
第5章 使用管道工具 28
5.1 管道工具介绍 28
5.2 使用管道工具 28
5.2.1 常见任务演示 28
5.2.2 替换模型执行任务 34
5.3 小结 35
第6章 使用训练工具
6.1 训练工具介绍 36
6.2 使用训练工具 36
6.2.1 准备数据集 36
6.2.2 定义模型和训练工具 39
6.2.3 训练和测试 43
6.3 小结 47中文项目实战篇
第7章 实战任务1:中文情感分类 51
7.1 任务简介 51
7.2 数据集介绍 51
7.3 模型架构 52
7.4 实现代码 53
7.4.1 准备数据集 53
7.4.2 定义模型 58
7.4.3 训练和测试 60
7.5 小结 64
第8章 实战任务2:中文填空 65
8.1 任务简介 65
8.2 数据集介绍 65
8.3 模型架构 66
8.4 实现代码 67
8.4.1 准备数据集 67
8.4.2 定义模型 73
8.4.3 训练和测试 76
小结 79
第9章 实战任务3:中文句子关系推断 81
9.1 任务简介 81
9.2 数据集介绍 81
9.3 模型架构 82
9.4 实现代码 83
9.4.1 准备数据集 83
9.4.2 定义模型 88
9.4.3 训练和测试 90
9.5 小结 92
第10章 实战任务4:中文命名实体识别 93
10.1 任务简介 93
10.2 数据集介绍 93
10.3 模型架构 95
10.4 实现代码 96
10.4.1 准备数据集 96
10.4.2 定义模型 102
10.4.3 训练和测试 105
10.5 小结 115
第11章 使用TensorFlow训练 116
11.1 任务简介 116
11.2 数据集介绍 116
11.3 模型架构 116
11.4 实现代码 117
11.4.1 准备数据集 117
1.4.2 又模型
11.4.3 训练和测试 123
11.5 小结 132
第12章 使用自动模型 133
12.1 任务简介 133
12.2 数据集介绍 134
12.3 模型架构 134
12.4 实现代码 135
12.4.1 准备数据集 135
12.4.2 加载自动模型 137
12.4.3 训练和测试 138
12.5 深入自动模型源代码 141
12.6 小结 147预训练模型底层原理篇
第13章 手动实现Transformer 151
13.1 Transformer架构 151
13.2 注意力 152
13.2.1 为什么需要注意力 152
13.2.2 注意力的计算过程 153
13.2.3 注意力计算的矩阵形式 155
13.2.4 多头注意力 156
13.3 位置编码 157
13.3.1 为什么需要位置编码 157
13.3.2 位置编码计算过程 157
13.4 MASK 159 3 4 PADD VASK 25
13.4.2 上三角MASK 160
13.5 Transformer计算流程 161
13.5.1 编码器 161
13.5.2 整体计算流程 162
13.5.3 解码器解码过程详细讲解 163
13.5.4 总体架构 164
13.6 简单翻译任务 165
13.6.1 任务介绍 165
13.6.2 定义数据集 166
13.6.3 定义MASK函数 169
13.6.4 定义Transformer工具子层 171
13.6.5 定义Transformer模型 176
13.6.6 训练和测试 180
13.7 两数相加任务 184
13.7.1 任务介绍 184
13.7.2 实现代码 185
13.7.3 训练和测试 186
13.8 小结 189
第14章 手动实现BERT 190
14.1 BERT架构 190
14.2 数据集处理 191
14.2.1 数据处理过程概述 191
14.2.2 数据集介绍 193
14.2.3 数据处理实现代码 193
14.3 PyTorch提供的Transformer工具层介绍 201
14.4 手动实现BERT模型 211
14.4.1 准备数据集 211
14.4.2 定义辅助函数 215
14.4.3 定义BERT模型 217
14.4.4 训练和测试 219
14.5 小结 226
