前言
本书聚焦谷歌公司开发的BERT自然语言处理模型，由浅入深地介绍了BERT的工作原理、BERT的各种变体及其应用。
本书呈现了大量示意图、代码和实例，详细解析了如何训练BERT模型、如何使用BERT模型执行自然语言推理任务、文本摘要任务、问答任务、命名实体识别任务等各种下游任务，以及如何将BERT模型应用于多种语言。
通读本书后，读者不仅能够系统了解有关BERT的各种概念、术语和原理，还能够使用BERT模型及其变体执行各种自然语言处理任务。
读者点评
关于Transformer和BERT模型讲得最清楚，最通识易懂的一本书，比那些看似高大上，列一堆公式，但讲不清楚，说不明白的大块头强多了。本书图文并茂，公式和代码一应俱全，不多不少，恰到好处。本书虽然是主要介绍BERT的，但对于自然语言处理基本概念的学习也很有帮助，同时提供的代码示例也非常实用。
这本书非常适合深度学习和自然语言处理的初学者，建议多关注书中讲解的transformer和bert的原理以及自然语言处理和各种模型变体的思路，书中实践部分的代码试了下跑起来基本都有问题，建议跟着huggingface的官方文档进行实践效果更好。
书籍优点
- 轻松上手：循序渐进，引导你亲手训练和理解 BERT 模型
- 以简驭繁：示意图丰富，逐步拆解复杂原理，小白也能看懂
- 运用自如：呈现多种下游任务，凝聚实战经验，助你灵活运用
- 全面系统：详细讲解十余种 BERT 变体的原理，配套大量示例和习题
目录
第一部分 开始使用 BERT
第 1 章 Transformer 概览
- 1.1 Transformer 简介
- 1.2 理解编码器
- 1.3 理解解码器
- 1.4 整合编码器和解码器
- 1.5 训练 Transformer
- 1.6 小结
- 1.7 习题
- 1.8 深入阅读
第 2 章 了解 BERT 模型
- 2.1 BERT 的基本理念
- 2.2 BERT 的工作原理
- 2.3 BERT 的配置
- 2.4 BERT 模型预训练
- 2.5 子词词元化算法
- 2.6 小结
- 2.7 习题
- 2.8 深入阅读
第 3 章 BERT 实战
- 3.1 预训练的 BERT 模型
- 3.2 从预训练的 BERT 模型中提取嵌入
- 3.3 从 BERT 的所有编码器层中提取嵌入
- 3.4 针对下游任务进行微调
- 3.5 小结
- 3.6 习题
- 3.7 深入阅读
第二部分 探索 BERT 变体
第 4 章 BERT 变体（上）：ALBERT、RoBERTa、ELECTRA 和 SpanBERT
- 4.1 BERT 的精简版 ALBERT
- 4.2 从 ALBERT 中提取嵌入
- 4.3 了解 RoBERTa
- 4.4 了解 ELECTRA
- 4.5 用 SpanBERT 预测文本段
- 4.6 小结
- 4.7 习题
- 4.8 深入阅读
第 5 章 BERT 变体（下）：基于知识蒸馏
- 5.1 知识蒸馏简介
- 5.2 DistilBERT 模型——BERT 模型的知识蒸馏版本
- 5.3 TinyBERT 模型简介
- 5.4 将知识从 BERT 模型迁移到神经网络中
- 5.5 小结
- 5.6 习题
- 5.7 深入阅读
第三部分 BERT 模型的应用
第 6 章 用于文本摘要任务的BERTSUM 模型
- 6.1 文本摘要任务
- 6.2 为文本摘要任务微调 BERT 模型
- 6.3 理解 ROUGE 评估指标
- 6.4 BERTSUM 模型的性能
- 6.5 训练 BERTSUM 模型
- 6.6 小结
- 6.7 习题
- 6.8 深入阅读
第 7 章 将 BERT 模型应用于其他语言
- 7.1 理解多语言 BERT 模型
- 7.2 M-BERT 模型的多语言表现
- 7.3 跨语言模型
- 7.4 理解 XLM-R 模型
- 7.5 特定语言的 BERT 模型
- 7.6 小结
- 7.7 习题
- 7.8 深入阅读
第 8 章 Sentence-BERT 模型和特定领域的 BERT 模型
- 8.1 用 Sentence-BERT 模型生成句子特征
- 8.2 sentence-transformers 库
- 8.3 通过知识蒸馏迁移多语言嵌入
- 8.4 特定领域的 BERT 模型：ClinicalBERT 模型和BioBERT 模型
- 8.5 小结
- 8.6 习题
- 8.7 深入阅读
第 9 章 VideoBERT 模型和BART 模型
- 9.1 VideoBERT 模型学习语言及视频特征
- 9.2 了解 BART 模型
- 9.3 探讨 BERT 库
- 9.4 小结
- 9.5 习题
- 9.6 深入阅读
习题参考答案
