近年来，基于深度学习方法的自然语言处理（NLP）已逐渐成为主流。本书共8章，主要介绍自然语言处理任务中的深度学习技术，包含深度学习理论基础、深度学习的软件框架、语言模型与词向量、序列模型与梯度消失/爆炸、卷积神经网络在NLP领域的应用、Seq2Seq模型与Attention机制、大规模预训练模型、预训练语言模型BERT，还给出了自然语言处理技术的高级应用和开发实例，并收录了基于PyTorch深度学习框架的部分实践项目。
  本书既可作为人工智能、计算机科学、电子信息工程、自动化等专业的本科生及研究生教材，也可作为自然语言处理相关领域的研究人员和技术人员的参考资料。

◆ 目录：◆

前言
  第1章深度学习理论基础
  1.1深度学习概况
  1.1.1深度学习的历史
  1.1.2“无所不能”的深度学习
  1.2深度学习神经网络
  1.2.1神经网络
  1.2.2隐藏层
  1.2.3梯度下降
  1.2.4激活函数
  1.2.5权重初始化
  1.2.6正则化
  1.2.7归一化
  第2章深度学习的软件框架
  2.1环境配置
  2.1.1Anaconda
  2.1.2英伟达GPU驱动+CUDA+cuDNN
  2.1.3PyTorch安装
  2.1.4Python IDE选择
  2.2PyTorch 入门
  2.2.1Tensor基本概念
  2.2.2Tensor的运算
  2.3PyTorch自动求梯度
  2.3.1基本概念
  2.3.2Tensor样例
  2.3.3梯度计算
  2.4PyTorch nn模块
  第3章语言模型与词向量
  3.1语言模型
  3.1.1无处不在的语言模型
  3.1.2神经网络语言模型
  3.2词向量
  3.2.1one-hot
  3.2.2word2vec
  3.2.3GloVe
  3.3代码实战
  3.3.1任务1:应用PyTorch搭建Skip-Gram
  3.3.2任务2:基于GloVe的大规模中文语料的词向量训练
  第4章序列模型与梯度消失/爆炸
  4.1循环神经网络
  4.1.1模型结构及计算过程
  4.1.2应用PyTorch搭建并训练RNN模型
  4.2梯度消失与爆炸
  4.2.1产生原因
  4.2.2解决方法
  4.3改进方法
  4.3.1LSTM
  4.3.2GRU
  4.4代码实战：搭建LSTM/GRU的文本分类器
  第5章卷积神经网络在NLP领域的应用
  5.1卷积神经网络的概念
  5.1.1输入层
  5.1.2卷积层
  5.1.3池化层
  5.1.4全连接层
  5.2空洞卷积神经网络
  5.2.1空洞卷积的基本定义
  5.2.2空洞卷积在NLP中的应用
  5.2.3空洞卷积相关代码
  5.2.4多层卷积
  5.3代码实战：CNN情感分类实战
  5.3.1数据处理
  5.3.2程序主干部分
  5.3.3模型部分
  5.3.4模型训练与评估
  第6章Seq2Seq模型与Attention机制
  6.1Encoder-Decoder结构
  6.1.1Encoder
  6.1.2Decoder
  6.1.3Encoder-Decoder存在的问题
  6.2Attention机制
  6.3Seq2Seq训练与预测
  6.3.1模型训练
  6.3.2模型预测
  6.3.3BLEU模型评估法
  6.4代码实战：应用PyTorch搭建机器翻译模型
  第7章大规模预训练模型
  7.1ELMo
  7.1.1模型结构
  7.1.2模型效果
  7.1.3ELMo的优点
  7.1.4利用ELMo+CNN进行分类的示例
  7.2Transformer
  7.2.1Encoder端及Decoder端总览
  7.2.2Encoder端各个子模块
  7.2.3Decoder端各个子模块
  7.2.4其他模块
  7.2.5完整模型
  第8章预训练语言模型BERT
  8.1BERT的基本概念
  8.2BERT的工作原理
  8.2.1BERT的预训练
  8.2.2BERT模型结构
  8.2.3BERT的微调
  8.3BERT的可解释性
  8.4其他预训练模型
  8.4.1XLNet
  8.4.2RoBERTa
  8.4.3ALBERT
  8.5代码实战：预训练模型
  参考文献