这些技术不但强大，而且非常实用。掌握这些技术因而成为当下很多 AI 技术爱好者的迫切愿望。本书就是为实现广大 AI 技术爱好者这个愿望而写的！虽然本书不乏新概念、新内容，但仍采用循序渐进的方法。为了让尽可能多的人掌握这些技术，书中先介绍相关基础知识，如语言模型、迁移学习、注意力机制等，所以无须担心没有基础看不懂本书。

这本书对于我来说最大的价值在于它以 Embedding 方法发展的历史过程为写作顺序，简要地介绍了从 OneHot 编码 / RNN/LSTM 到 Word2vec 到 ELMo 到 Transformer 及其衍生的 BERT、GPT 系列、XLNet 的演变过程。而且它对每个方法在宏观上通俗解释了其革新之处，解决了前辈的什么问题，从而可以增进读者对这些方法的本质与价值判断。我之前零零散散也接触过本书提到的这些方法，也读过原论文，但是由于不了解这些方法发展的历史，也没有宏观上的比较（论文一般都是微观比较为主），因此没有抓住这些方法的本质，理解上也半知半解。这也让我感悟到，理解一个方法、一篇论文，除了要精读论文本身之外，还应该把论文放到学科发展史中来看，只有在宏观上才能把握住精髓，否则容易陷入细节的泥潭中影响理解方法的本质。所以对于这本书，我的阅读思路就是把握方法史的脉络，理解方法的本质，选择性地了解细节，为此我忽略了书中绝大多数的代码（我甚至怀疑这些代码是用来凑页数的）。对于真正想在实际中运用这些方法的人，这些代码也没有什么价值，因为我们需要的是一整个工程文件夹，里面应该有完整的可以运行的代码集，这个很容易获取，Github 一大堆。这也是本书缺点之一，即内容还有精简空间。第一部分还行，穿插着一点代码来讲解经典方法的实现。第二部分则每一章就是一个 Project，我基本上飞速略读了。总的来说，这本书对于想要了解 Embedding 相关的方法的演变发展的人还是有帮助的，尤其是可以增加对近年来很流行的 Transfomer 以及 Pre-trained Language Models 的理解。当然在某些部分还是需要对照着原作论文来阅读的，毕竟本书篇幅有限，不可能道尽所有细节。