https://www.oreilly.com/library/view/natural-language-processing/9781098103231/
我已将大模型书籍免费分享出来，需要的小伙伴可以扫取。
自2017年推出以来，Transformer已迅速成为在各种自然语言处理任务上实现最先进结果的主导架构。如果你是一名数据科学家或程序员，这本实用的书向你展示了如何使用基于python的深度学习库hugs Face transformer来训练和扩展这些大型模型。
Transformers 已经被用来编写真实的新闻故事，改进谷歌搜索查询，甚至创造出讲笑话的聊天机器人。在本指南中，作者Lewis Tunstall、Leandro von Werra和Thomas Wolf(拥抱Transformers 的创始人之一)使用亲身实践的方法来教你Transformers如何工作，以及如何将它们集成到应用程序中。你会很快学到他们能帮你解决的各种任务。
为核心NLP任务构建、调试和优化Transformers模型，如文本分类、命名实体识别和回答问题
- 学习如何使用Transformers进行跨语言迁移学习
- 在真实世界中标签数据稀缺的场景中应用Transformers
- 利用蒸馏、剪枝和量化等技术，使Transformers模型有效地用于部署
- 从零开始训练Transformers ，学习如何扩展到多个GPU和分布式环境
本书的目标是让您能够构建自己的语言应用程序。为了达到这个目的，它关注于实际的用例，并且只在必要的时候深入研究理论。这本书的风格是动手操作，我们强烈建议您亲自运行代码示例来进行试验。本书涵盖了NLP中transformers的所有主要应用，每一章(除了少数例外)专门针对一个任务，结合一个实际的用例和数据集。每一章还介绍了一些额外的概念。以下是我们将涉及的任务和主题的一个高级概述:
-
第一章，你好Transformers，介绍了Transformers，并把它们放到了背景中。它还介绍了"Hugging Face"生态系统。
-
第二章文本分类，重点介绍了情感分析(一个常见的文本分类问题)，并介绍了Trainer API。
-
第三章，Transformer剖析，更深入地介绍了Transformer架构，为接下来的章节做准备。
-
第四章，多语言命名实体识别，重点关注在多语言文本中识别实体的任务(一个令牌分类问题)。
-
第五章，文本生成，探讨了Transformers模型生成文本的能力，并介绍了解码策略和度量。
-
第六章，摘要，深入研究了文本摘要的复杂序列到序列任务，并探讨了该任务使用的度量。
-
第七章"问答"，重点介绍了基于综述的问答系统的构建，并介绍了利用Haystack进行检索的方法。
-
第八章《Transformers在生产中高效运行》，重点介绍了模型性能。我们将着眼于意图检测的任务(序列分类问题的一种类型)，并探索知识蒸馏、量化和剪枝等技术。
-
第九章，处理很少或没有标签，着眼于在没有大量标签数据的情况下提高模型性能的方法。我们将构建一个GitHub问题标签和探索技术，如零样本分类和数据增强。
-
第十章，从头开始训练Transformer，向您展示了如何从头开始构建和训练一个自动完成Python源代码的模型。我们将研究数据集流和大规模培训，并构建我们自己的标记器。
-
第十一章，未来方向，探讨了Transformers面临的挑战和一些令人兴奋的新方向的研究，在这一领域将进入。
代码：
https://github.com/nlp-with-transformers/notebooks
我已将大模型书籍免费分享出来，需要的小伙伴可以扫取。