Embedding（嵌入）是当下人工智能领域的热点，并发挥着越来越重要的作用。本书从Embedding基础概念和方法讲起，逐渐深入其原理，并以应用实例作为辅助，是快速了解并掌握Embedding的参考指南。
本书内容
全书一共16章，分为两个部分：
第一部分为Embedding基础知识（第1～9章），主要讲解Embedding的基础知识、原理以及如何让Embedding落地的相关技术，如TensorFlow和PyTorch中的Embedding层、CNN算法、RNN算法、迁移学习方法等，重点介绍了Transformer和基于它的GPT、BERT预训练模型及BERT的多种改进版本等。
第1章：万物皆可嵌入，介绍了各种各样的embedding技术。
第2章：讲解如何获取Embedding，介绍了Pytorch和Tensorflow框架中的emdding layer使用，以及如何从预训练模型中获取embedding；
第3、4章分别介绍视觉处理、文本处理方面的基础知识；包括视觉中的卷积神经网络与预训练模型，文本处理中的训练神经网络，编解码模型与序列模型。
第5章为本书重点，介绍了多种注意力机制，包括给Encoder-Decoder模型添加注意力机制，Transfromer模型详解与实现，Transfromer-XL模型详解与实现；
第6～8章介绍了ELMo、BERT、GPT、XLNet等多种预训练模型；
第9章介绍了推荐排序系统中的深度学习技术，包括卷积神经网络，transformer的使用。
第2部分（第10 ~16章）Embedding应用实例
通过6个实例介绍了Embedding及相关技术的实际应用，包括如何使用Embedding提升传统机器学习性，如何把Embedding技术应用到推荐系统中，如何使用Embedding技术提升NLP模型的性能等。
第10章介绍如何使用Embedding处理机器学习中的分类特征；
第11章介绍如何使用Embedding提升机器学习性能；
第12章介绍如何使用Transformer实现将英文翻译成中文；
第13章介绍Embedding在推荐系统中的前沿应用；
第14章介绍如何使用BERT实现中文语句分类问题；
第15章介绍如何使用GPT-2实现文本生成；
第16章是对Embedding技术的总结。
本书主要作者：
吴茂贵，资深大数据和人工智能技术专家，在BI、数据挖掘与分析、数据仓库、机器学习等领域工作超过20年。在基于Spark、TensorFlow、PyTorch、Keras等的机器学习和深度学习方面有大量的工程实践实践，对Embedding有深入研究。著有《深度实践Spark机器学习》《Python深度学习：基于TensorFlow》《Python深度学习：基于Pytorch》等多部著作，广受读者好评。
本书特色：在内容方面，本书理论与实操兼顾，一方面系统讲解了Embedding的基础、技术、原理、方法和性能优化，一方面详细列举和分析了Embedding在机器学习性能提升、中英文翻译、推荐系统等6个重要场景的应用实践；在写作方式上，秉承复杂问题简单化的原则，尽量避免复杂的数学公式，尽量采用可视化的表达方式，旨在降低本书的学习门槛，让读者能看得完、学得会。
