4.3
用户推荐指数
科技 类型
可以朗读 语音朗读
260千字 字数
2021-10-01 发行日期
展开全部

主编推荐语

本书介绍TensorFlow构建知识图谱的核心技术，帮助读者掌握使用深度学习构建知识图谱的方法，以及使用神经网络的技术要点和基于深度学习的应用程序编写技巧。

内容简介

大数据时代的到来，为人工智能的飞速发展带来前所未有的数据红利。在大数据的“喂养”下，大量知识不断涌现，如何有效地发掘这些知识呢？知识图谱横空出世。

本书是一本讲解如何使用TensorFlow2构建知识图谱的入门教程，引导读者掌握基于深度学习的知识图谱构建概念、理论和方法。

本书分为13章：第1章从搭建环境开始，包含TensorFlowCPU版本和GPU版本的安装，并通过一个知识图谱的例子引导读者开始学习；第2-4章介绍TensorFlowAPI的使用；第5章是DatasetAPI，学习使用原生API处理数据的方法；第6-8章是实战准备部分，介绍ResNet模型、词嵌入（wordembedding）模型、情感分类；第9-10章在“注意力模型”基础上搭建了“编码器模型”；第11-13章搭建了知识图谱联合抽取模型，利用本书所学知识实战知识图谱的搭建过程和性能提升方案。

本书内容详尽、示例丰富，适合作为知识图谱和深度学习读者的参考书，同时也适合开设人工智能专业的大中专院校师生阅读，还可作为高等院校计算机及相关专业教材使用。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 知识图谱的前世今生
  • 1.1 何谓自然语言处理
  • 1.1.1 自然语言处理是门技术
  • 1.1.2 传统的自然语言处理
  • 1.2 自然语言处理为什么难
  • 1.2.1 自然语言处理的难点
  • 1.2.2 自然语言处理小练习：酒店评论的情感分类
  • 1.3 知识图谱到底是什么
  • 1.3.1 知识图谱的应用
  • 1.3.2 知识图谱中的三元组
  • 1.4 搭建环境1：安装Python
  • 1.4.1 Anaconda的下载与安装
  • 1.4.2 PyCharm的下载与安装
  • 1.4.3 Python代码小练习：计算softmax函数
  • 1.5 搭建环境2：安装TensorFlow 2.X的GPU版本
  • 1.5.1 10/20/30系列显卡选择的GPU版本
  • 1.5.2 TensorFlow 2.4 GPU版本基础显卡推荐和前置软件安装
  • 1.5.3 TensorFlow小练习：Hello TensorFlow
  • 1.6 实战
  • 1.6.1 第一步：数据的准备
  • 1.6.2 第二步：数据的处理
  • 1.6.3 第三步：知识图谱的展示
  • 1.6.4 第四步：更多的连线
  • 1.6.5 一个需要解决的小问题
  • 1.7 本章小结
  • 第2章 TensorFlow和Keras快速入门
  • 2.1 Keras让一切变简单
  • 2.1.1 深度学习，始于模型
  • 2.1.2 使用Keras API实现鸢尾花分类的例子（顺序模型）
  • 2.1.3 使用Keras函数式编程实现鸢尾花分类的例子（重点）
  • 2.1.4 使用保存的Keras模式对模型进行复用
  • 2.1.5 使用TensorFlow标准化编译对iris模型进行拟合
  • 2.1.6 多输入单一输出TensorFlow编译方法（选学）
  • 2.1.7 多输入多输出TensorFlow编译方法（选学）
  • 2.2 全连接层详解
  • 2.2.1 全连接层的定义与实现
  • 2.2.2 使用TensorFlow自带的API实现全连接层
  • 2.2.3 打印显示已设计的model结构和参数
  • 2.3 懒人的福音
  • 2.3.1 ResNet50模型和参数的载入
  • 2.3.2 使用ResNet作为特征提取层建立模型
  • 2.4 本章小结
  • 第3章 深度学习的理论基础
  • 3.1 BP神经网络简介
  • 3.2 BP神经网络两个基础算法详解
  • 3.2.1 最小二乘法（LS算法）详解
  • 3.2.2 道士下山的故事——梯度下降算法
  • 3.2.3 最小二乘法的梯度下降算法及其Python实现
  • 3.3 反馈神经网络反向传播算法介绍
  • 3.3.1 深度学习基础
  • 3.3.2 链式求导法则
  • 3.3.3 反馈神经网络原理与公式推导
  • 3.3.4 反馈神经网络原理的激活函数
  • 3.3.5 反馈神经网络原理的Python实现
  • 3.4 本章小结
  • 第4章 卷积神经网络实战
  • 4.1 卷积运算基本概念
  • 4.1.1 卷积运算
  • 4.1.2 TensorFlow中卷积函数实现详解
  • 4.1.3 池化运算
  • 4.1.4 softmax激活函数
  • 4.1.5 卷积神经网络原理
  • 4.2 卷积实战：MNIST手写体识别
  • 4.2.1 MNIST数据集
  • 4.2.2 MNIST数据集特征和标签介绍
  • 4.2.3 TensorFlow 2.X编程实战：MNIST数据集
  • 4.2.4 使用自定义的卷积层实现MNIST识别
  • 4.3 本章小结
  • 第5章 Datasets数据集和TensorBoard可视化
  • 5.1 TensorFlow Datasets简介
  • 5.1.1 Datasets数据集的安装
  • 5.1.2 Datasets数据集的使用
  • 5.2 Datasets数据集的使用
  • 5.2.1 FashionMNIST数据集下载与展示
  • 5.2.2 模型的建立与训练
  • 5.3 使用Keras对FashionMNIST数据集进行处理
  • 5.3.1 获取数据集
  • 5.3.2 数据集的调整
  • 5.3.3 使用Python类函数建立模型
  • 5.3.4 Model的查看和参数打印
  • 5.3.5 模型的训练和评估
  • 5.4 使用TensorBoard可视化训练过程
  • 5.4.1 TensorBoard文件夹设置
  • 5.4.2 TensorBoard的显式调用（推荐使用Chrome或Edge浏览器）
  • 5.4.3 TensorBoard的使用
  • 5.5 本章小结
  • 第6章 ResNet实现神经网络的飞跃
  • 6.1 ResNet基础原理与程序设计基础
  • 6.1.1 ResNet诞生的背景
  • 6.1.2 模块工具的TensorFlow实现——不要重复造轮子
  • 6.1.3 TensorFlow高级模块layers用法简介
  • 6.2 ResNet实战：CIFAR100数据集分类
  • 6.2.1 CIFAR100数据集简介
  • 6.2.2 ResNet残差模块的实现
  • 6.2.3 ResNet网络的实现
  • 6.2.4 使用ResNet对CIFAR100数据集进行分类
  • 6.3 本章小结
  • 第7章 有趣的词嵌入
  • 7.1 文本数据处理
  • 7.1.1 数据集介绍和数据清洗
  • 7.1.2 停用词的使用
  • 7.1.3 词向量训练模型word2vec使用介绍
  • 7.1.4 文本主题的提取：基于TF-IDF（选学）
  • 7.1.5 文本主题的提取：基于TextRank（选学）
  • 7.2 更多的word embedding方法
  • 7.2.1 fastText的原理与基础算法
  • 7.2.2 fastText训练以及与TensorFlow 2.X的协同使用
  • 7.2.3 使用其他预训练参数做TensorFlow词嵌入矩阵（中文）
  • 7.3 针对文本的卷积神经网络模型简介
  • 7.3.1 字符（非单词）文本的处理
  • 7.3.2 卷积神经网络文本分类模型的实现——conv1d（一维卷积）
  • 7.4 针对文本的卷积神经网络模型
  • 7.4.1 单词的文本处理
  • 7.4.2 卷积神经网络文本分类模型的实现——conv2d（二维卷积）
  • 7.5 使用卷积对文本分类的补充内容
  • 7.5.1 汉字的文本处理
  • 7.5.2 其他的一些细节
  • 7.6 本章小结
  • 第8章 情感分类
  • 8.1 GRU与情感分类
  • 8.1.1 使用GRU的情感分类
  • 8.1.2 什么是GRU
  • 8.1.3 TensorFlow中的GRU层详解
  • 8.1.4 单向不行就双向
  • 8.2 实战：情感分类
  • 8.2.1 使用TensorFlow自带的模型做文本分类
  • 8.2.2 使用自定义的DPCNN做模型分类
  • 8.3 本章小结
  • 第9章 编码器
  • 9.1 编码器的核心
  • 9.1.1 输入层——初始词向量层和位置编码器层
  • 9.1.2 自注意力层
  • 9.1.3 ticks和LayerNormalization
  • 9.1.4 多头自注意力
  • 9.2 编码器的实现
  • 9.2.1 前馈层的实现
  • 9.2.2 编码器的实现
  • 9.3 实战编码器：汉字拼音转化模型
  • 9.3.1 汉字拼音数据集处理
  • 9.3.2 汉字拼音转化模型的确定
  • 9.3.3 模型训练部分的编写
  • 9.3.4 推断函数的编写
  • 9.4 本章小结
  • 第10章 BERT
  • 10.1 预训练模型BERT
  • 10.1.1 BERT基本架构与应用
  • 10.1.2 BERT预训练任务与Fine-Tuning
  • 10.2 实战BERT：中文文本分类
  • 10.2.1 使用Hugging face获取BERT预训练模型
  • 10.2.2 BERT实战文本分类
  • 10.3 更多的预训练模型
  • 10.4 本章小结
  • 第11章 知识图谱实战1：多标签文本分类
  • 11.1 多标签文本基本内容
  • 11.1.1 多标签分类不等于多分类
  • 11.1.2 多标签分类的激活函数——sigmoid
  • 11.2 多标签文本实战
  • 11.2.1 第一步：数据的获取与处理
  • 11.2.2 第二步：选择特征抽取模型
  • 11.2.3 第三步：训练模型的建立
  • 11.2.4 第四步：多标签文本分类的训练与预测
  • 11.3 本章小结
  • 第12章 知识图谱实战2：命名实体识别
  • 12.1 命名实体识别的基本内容
  • 12.1.1 什么是命名实体识别
  • 12.1.2 深度学习在命名实体识别中的应用
  • 12.1.3 命名实体识别CRF层简介
  • 12.1.4 命名实体识别一般的模型架构详解
  • 12.2 方法一：BERT命名实体识别实战
  • 12.2.1 第一步：数据的获取与处理
  • 12.2.2 第二步：BERT模型设计
  • 12.2.3 第三步：完整的BERT模型训练
  • 12.2.4 第四步：使用BERT命名实体识别模型进行预测
  • 12.3 方法二：BiLSTM-CRF命名实体识别实战
  • 12.3.1 第一步：数据的获取与处理
  • 12.3.2 第二步：BiLSTM-CRF模型设计
  • 12.3.3 第三步：BiLSTM-CRF模型的训练
  • 12.3.4 第四步：使用BiLSTM的预测
  • 12.4 本章小结
  • 第13章 知识图谱实战3：基于联合抽取的知识图谱模型
  • 13.1 基于联合抽取的知识图谱模型实战
  • 13.1.1 什么是联合抽取
  • 13.1.2 第一步：数据的处理
  • 13.1.3 第二步：模型的设计
  • 13.1.4 第三步：联合抽取模型的训练
  • 13.2 知识图谱模型提升
  • 13.2.1 更换预训练模型进行提升
  • 13.2.2 更换损失函数进行提升
  • 13.2.3 使用Mixture-of-Experts修正联合抽取模型
  • 13.3 本章小结
展开全部

评分及书评

4.3
3个评分

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。