在人工智能领域，Transformer架构、大模型是当下最激动人心的话题之一。它们不仅推动了技术的极限，还重新定义了我们与机器交互的方式。Transformer模型最初由Google的研究人员在2017年提出，它是一种基于自注意力机制的深度学习模型，今天就给大家推荐一本学Transformer的一本好书！ 就是下面这本：《Transformer自然语言处理实战》
本书涵盖了Transformer在NLP领域的主要应用。首先介绍Transformer模型和Hugging Face 生态系统。然后重点介绍情感分析任务以及Trainer API、Transformer的架构，并讲述了在多语言中识别文本内实体的任务，以及Transformer模型生成文本的能力，还介绍了解码策略和度量指标。
👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈
作者简介
Lewis Tunstall是Hugging Face机器学习工程师，致力于为NLP社区开发实用工具，并帮助人们更好地使用这些工具。
Leandro von Werra是Hugging Face机器学习工程师，致力于代码生成模型的研究与社区推广工作。
Thomas Wolf是Hugging Face首席科学官兼联合创始人，他的团队肩负着促进AI研究和普及的使命。
书籍目录
- 版权信息 3
- O’Reilly Media, Inc.介绍 2
- 业界评论 5
- 本书赞誉 2
- 序 2
- 前言 2
- 致谢 18
第1章 欢迎来到Transformer的世界 2
- 1.1 编码器-解码器框架 23
- 1.2 注意力机制 26
- 1.3 NLP的迁移学习 29
- 1.4 Hugging Face Transformers库：提供规范化接口 34
- 1.5 Transformer应用概览 35
- 1.6 Hugging Face生态系统 42
- 1.7 Transformer的主要挑战 47
- 1.8 本章小结 49
第2章 文本分类 2
- 2.1 数据集 53
- 2.2 将文本转换成词元 63
- 2.3 训练文本分类器 73
- 2.4 本章小结 96
第3章 Transformer架构剖析 2
- 3.1 Transformer架构 100
- 3.2 编码器 104
- 3.3 解码器 123
- 3.4 认识Transformer 127
- 3.5 本章小结 136
第4章 多语言命名实体识别 2
- 4.1 数据集 140
- 4.2 多语言Transformer 146
- 4.3 多语言词元化技术 148
- 4.4 命名实体识别中的Transformers 152
- 4.5 自定义Hugging Face Transformers库模型类 155
- 4.6 NER的词元化 162
- 4.7 性能度量 166
- 4.8 微调XLM-RoBERTa 168
- 4.9 错误分析 171
- 4.10 跨语言迁移 180
- 4.11 用模型小部件进行交互 188
- 4.12 本章小结 189
第5章 文本生成 2
- 5.1 生成连贯文本的挑战 194
- 5.2 贪婪搜索解码 198
- 5.3 束搜索解码 203
- 5.4 采样方法 208
- 5.5 top-k和核采样 211
- 5.6 哪种解码方法最好 215
- 5.7 本章小结 216
第6章 文本摘要 2
- 6.1 CNN/DailyMail数据集 219
- 6.2 文本摘要pipeline 221
- 6.3 比较不同的摘要 226
- 6.4 度量生成文本的质量 229
- 6.5 在CNN/DailyMail数据集上评估PEGASUS 237
- 6.6 训练摘要模型 240
- 6.7 本章小结 249
第7章 构建问答系统 2
- 7.1 构建基于评论的问答系统 253
- 7.2 评估并改进问答pipeline 282
- 7.3 生成式问答 301
- 7.4 本章小结 305
第8章 Transformer模型调优 2
- 8.1 以意图识别为例 309
- 8.2 创建性能基准 312
- 8.3 通过知识蒸馏减小模型大小 319
- 8.4 利用量化技术使模型运算更快 337
- 8.5 基准测试量化模型 345
- 8.6 使用ONNX和ONNX Runtime进行推理优化 346
- 8.7 使用权重剪枝使模型更稀疏 354
- 8.8 本章小结 360
第9章 零样本学习和少样本学习 2
- 9.1 构建GitHub issue标记任务 365
- 9.2 基线模型 376
- 9.3 零样本学习 381
- 9.4 少样本学习 393
- 9.5 利用无标注数据 417
- 9.6 本章小结 427
第10章 从零训练Transformer模型 2
- 10.1 如何寻找大型数据集 431
- 10.2 构建词元分析器 445
- 10.3 从零训练一个模型 461
- 10.4 结果与分析 481
- 10.5 本章小结 487
第11章 未来发展趋势 2
- 11.1 Transformer的扩展 490
- 11.2 其他应用领域 501
- 11.3 多模态的Transformer 510
- 11.4 继续前行的建议 521
关于作者 2
关于封面 2
推荐阅读 2
书籍内容：
👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈
