这本由Hugging Face Transformers 的创建者Lewis Tunstall、Leandro von Werra 和Thomas Wolf 共同撰写的书籍，深入探讨了自然语言处理 (NLP) 的最新技术和Transformer 架构的应用。书中不仅涵盖了 NLP 领域的关键概念，还包含了大量实用的示例和案例分析，帮助读者更好地理解和应用 Transformer 模型。
本书以实践为导向，深入讲解Transformers的工作原理，并指导如何将它们集成到实际应用中。
通过这本书，你将能快速掌握Transformers如何帮助你解决各种自然语言处理任务，如文本分类、情感分析、命名实体识别等。同时，还会学习到如何使用Hugging Face Transformers库来微调预训练型，从而提高模型在特定任务上的性能。
这份完整版电子版大模型书籍已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈
本书旨在帮助读者构建专属的语言应用程序，因此侧重于展示实际用例，仅在必要时深入探讨理论。本书秉持实践至上的原则，强烈建议读者亲自运行代码示例，通过实践和实验加深对知识的理解。
这本书一共包含11个章节：
第1章“Hello Transformers”对Transformer进行了介绍，并引入了Hugging Face生态系统，为后续学习奠定基础。
第2章“文本分类”聚焦于情感分析这一常见的文本分类问题，并详细介绍了Trainer API的使用方法。
第3章“Transformer解剖”深入剖析Transformer架构的内部机制，为理解后续章节内容提供坚实基础。
第4章“多语言命名实体识别”主要研究如何识别多种语言文本中的实体，属于标记分类问题，并探讨了多语言模型的应用。
第5章“文本生成”探究Transformer模型强大的文本生成能力，同时介绍了常用的解码策略和评估指标。
第6章“摘要”深入钻研文本摘要这一复杂的序列到序列任务，并探讨了适用于该任务的各种评估指标。
第7章“问答”重点讲解如何构建基于文本的问答系统，并介绍了如何利用Haystack框架进行高效检索。
第8章“让Transformers在生产中高效运行”重点关注模型性能优化，研究意图检测任务（一种序列分类问题），并探索知识蒸馏、量化和剪枝等加速技术。
第9章“处理少量或无标签”探讨在缺乏大量标注数据的情况下，提升模型性能的有效方法，例如零样本分类和数据增强。我们将构建一个GitHub问题标记器作为实践案例。
第10章“从头开始训练Transformers”展示如何从零开始构建并训练用于自动完成Python源代码的Transformer模型。我们将深入研究数据集流和大规模训练技巧，并构建自定义的标记器。
第11章“未来方向”探讨Transformer技术当前面临的挑战，以及该领域令人期待的未来发展方向。
这份完整版电子版大模型书籍已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
扫一扫
849
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
