前言Hugging Face 是一家总部位于纽约的聊天机器人初创服务商专注于NLP技术拥有大型的开源社区。尤其是在github上开源的自然语言处理预训练模型库 Transformers已被下载超过一百万次github上超过24000个star。Transformers 提供了NLP领域大量state-of-art的预训练语言模型结构的模型和调用框架。自2017年推出以来Transformer已迅速成为在各种自然语言处理任务上实现最先进结果的主导架构。如果你是一名数据科学家或程序员这本实用的书向你展示了如何使用基于python的深度学习库hugs Face transformer来训练和扩展这些大型模型。Transformers 已经被用来编写真实的新闻故事改进谷歌搜索查询甚至创造出讲笑话的聊天机器人。在本指南中作者Lewis Tunstall、Leandro von Werra和Thomas Wolf(拥抱Transformers 的创始人之一)使用亲身实践的方法来教你Transformers如何工作以及如何将它们集成到应用程序中。你会很快学到他们能帮你解决的各种任务。为核心NLP任务构建、调试和优化Transformers模型如文本分类、命名实体识别和回答问题学习如何使用Transformers进行跨语言迁移学习在真实世界中标签数据稀缺的场景中应用Transformers利用蒸馏、剪枝和量化等技术使Transformers模型有效地用于部署从零开始训练Transformers 学习如何扩展到多个GPU和分布式环境下载当前版本 完整版本链接获取可以V扫描下方二维码免费领取本书的目标是让您能够构建自己的语言应用程序。为了达到这个目的它关注于实际的用例并且只在必要的时候深入研究理论。这本书的风格是动手操作我们强烈建议您亲自运行代码示例来进行试验。本书涵盖了NLP中transformers的所有主要应用每一章(除了少数例外)专门针对一个任务结合一个实际的用例和数据集。每一章还介绍了一些额外的概念。以下是我们将涉及的任务和主题的一个高级概述:第一章你好Transformers介绍了Transformers并把它们放到了背景中。它还介绍了“Hugging Face”生态系统。第二章文本分类重点介绍了情感分析(一个常见的文本分类问题)并介绍了Trainer API。第三章Transformer剖析更深入地介绍了Transformer架构为接下来的章节做准备。第四章多语言命名实体识别重点关注在多语言文本中识别实体的任务(一个令牌分类问题)。第五章文本生成探讨了Transformers模型生成文本的能力并介绍了解码策略和度量。第六章摘要深入研究了文本摘要的复杂序列到序列任务并探讨了该任务使用的度量。第七章“问答”重点介绍了基于综述的问答系统的构建并介绍了利用Haystack进行检索的方法。第八章《Transformers在生产中高效运行》重点介绍了模型性能。我们将着眼于意图检测的任务(序列分类问题的一种类型)并探索知识蒸馏、量化和剪枝等技术。第九章处理很少或没有标签着眼于在没有大量标签数据的情况下提高模型性能的方法。我们将构建一个GitHub问题标签和探索技术如零样本分类和数据增强。第十章从头开始训练Transformer向您展示了如何从头开始构建和训练一个自动完成Python源代码的模型。我们将研究数据集流和大规模培训并构建我们自己的标记器。第十一章未来方向探讨了Transformers面临的挑战和一些令人兴奋的新方向的研究在这一领域将进入。下载当前版本 完整版本链接获取可以V扫描下方二维码免费领取