PyTorch深度学习指南：序列与自然语言处理 卷III

国外Pytorch深度学习畅销书  全彩印刷
作者拥有20余年从业经验
“PyTorch深度学习指南”丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。
本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读。

以下是部分国外读者书评
Michael：理解GPT的敲门砖!
我对这本书感到惊讶，以我生疏的数学技能，居然可以从头到尾毫无问题地阅读。这三本系列丛书是我能完全理解的第一套深度学习书。作者基本上使用最小数据样本的逐步代码来完成任何机制/数学。
真是我相见恨晚的一套丛书。

Sebastian：这本书写得非常好。对非常高级的概念进行了清晰、全面、易懂的解读。提供的实现细节帮助您快速轻松地进入深度学习领域。

本书涵盖了从梯度下降的基础知识一直到使用HuggingFace库微调大型自然语言处理模型（BERT和GPT-2）。它分为四个部分——第一部分：基础知识（梯度下降，在PyTorch中训练线性和逻辑回归）；第二部分：计算机视觉（更深层次的模型和激活函数、卷积、迁移学习、初始化方案）；第三部分：序列（RNN、GRU、LSTM、序列到序列模型、注意力、自注意力、转换器）；第四部分：自然语言处理（词元化、嵌入、上下文词嵌入、ELMo、BERT、GPT-2）。 该书以三卷的形式呈现给大家，第一部分为第一卷，第二部分为第二卷，第三部分和第四部分为第三卷。 在第三卷中，您将了解与序列相关的所有内容：循环神经网络及其变体、序列到序列模型、注意力、自注意力和转换器。本卷还包括有关自然语言处理的速成教程，从单词词元化的基础知识一直到使用HuggingFace库微调大型模型（BERT和GPT-2）。本卷比其他两卷要求更高，如果您已经对深度学习模型有扎实的理解，您会更喜欢它。这其中包括： ？循环神经网络（RNN、GRU和LSTM）和一维卷积。 ？序列到序列模型、注意力、掩码和位置编码。 ？转换器、层归一化和视觉转换器（ViT）。 ？BERT、GPT-2、词嵌入和HuggingFace库。

丹尼尔•沃格特•戈多伊是一名数据科学家、开发人员、作家和教师。自2016年以来，他一直在柏林历史最悠久的训练营Data Science Retreat讲授机器学习和分布式计算技术，帮助数百名学生推进职业发展。
丹尼尔还是两个Python软件包——HandySpark和DeepReplay的主要贡献者。
他拥有在多个行业20多年的工作经验，这些行业包括银行、政府、金融科技、零售和移动出行等。

赵春江，博士，毕业于上海交通大学。现任职于合肥学院，副教授，在信息处理领域有着十余年丰富的教学和科研经验。共主持过3项省级教科研项目，在国内外期刊和会议中共发表20多篇学术论文，其中被SCI或EI检索共计12篇，曾出版过四本关于数字信号处理、图像处理、以及机器学习方面的书籍。