在过去几年中，自然语言处理技术的受欢迎程度呈现“爆炸式”增长。尽管Google、Facebook、OpenAl等前沿公司继续发布着规模更大的语言模型，但许多开发团队仍在努力构建与时俱进的自然语言处理应用程序。本书将帮助你快速了解自然语言处理的新技术及未来发展趋势。 通过阅读本书，你将学习如何为组织中的实际应用程序构建、训练和部署模型。作者使用突出现代自然语言处理最佳实践的代码和示例指导你完成整个过程。 本书的主要内容包括： 使用先进的自然语言处理模型（如BERT和GPT-3）来解决命名实体识别、文本分类、语义搜索和阅读理解等自然语言处理任务。 开发性能可媲美甚至优于开箱即用系统的自然语言处理模型。 了解Transformer架构和现代技巧，比如席卷整个自然语言处理世界的迁移学习。 熟悉自然语言处理的工具和框架，包括spaCy、Hugging Face和fast.ai。 使用Python和PyTorch从头开始构建自然语言处理任务流水线的核心部分，包括分词器、向量嵌入和语言模型。 将你的模型从Jupyter Notebook中产品化，并学习如何在生产环境中部署、监控和维护它们。

前言
第一部分 浮光掠影
第1章 自然语言处理介绍
1.1 什么是自然语言处理
1.2 基本的自然语言处理
1.3 总结
第2章 Transformer和迁移学习
2.1 利用fast.ai库进行训练
2.2 利用Hugging Face系列库进行推理
2.3 总结
第3章 NLP任务和应用程序
3.1 预训练语言模型
3.2 迁移学习和微调
3.3 NLP任务
3.4 自然语言数据集
3.5 NLP任务1：命名实体识别
3.6 NLP任务2：文本分类
3.7 总结
第二部分 纲举目张
第4章 分词
4.1 一个极简的分词器
4.2 Hugging Face的分词器
4.3 搭建自己的分词器
4.4 总结
第5章 向量嵌入：计算机如何“理解”单词
5.1 理解文本与读取文本
5.2 词向量
5.3 词向量嵌入实践
5.4 非词条的嵌入
5.5 总结
第6章 循环神经网络和其他序列模型
6.1 循环神经网络
6.2 长短期记忆网络
6.3 门控循环单元
6.4 总结
第7章 Transformer
7.1 从头开始构建Transformer
7.2 注意力机制
7.3 计算机视觉Transformer
7.4 总结
第8章 BERT方法论：博采众长创新篇
8.1 ImageNet
8.2 通往NLP“ImageNet时刻”之路
8.3 预训练的词向量嵌入
8.4 序列模型
8.5 循环神经网络
8.6 注意力机制
8.7 Transformer架构
8.8 NLP的“ImageNet时刻”
8.9 总结
第三部分 经世致用
第9章 工欲善其事，必先利其器
9.1 深度学习框架
9.2 可视化与实验跟踪
9.3 AutoML
9.4 机器学习基础设施和计算
9.5 边缘/终端侧推理
9.6 云推理和机器学习即服务
9.7 持续集成和持续交付
9.8 总结
第10章 可视化
10.1 我们的第一个Streamlit应用程序
10.2 总结
第11章 产品化
11.1 数据科学家、工程师和分析师
11.2 Databricks：你的统一数据分析平台
11.3 Databricks的安装
11.4 机器学习作业
11.5 MLflow
11.6 Databricks的替代品
11.7 总结
第12章 归纳提升
12.1 最后十课
12.2 最后的话
附录A 大规模训练
附录B CUDA