动手学

《动手学深度学习》（Dive into Deep Learning, D2L）第二版中文版官网，由亚马逊科学家阿斯顿・张、李沐等打造，面向中文读者的免费交互式深度学习教材，全球 70 多国 500 + 高校用作教学资料。

核心定位与特色

✅ 免费开源：全文在线免费读，代码开源，支持 Jupyter Notebook 交互式运行。

✅ 多框架支持：提供PyTorch、TensorFlow、PaddlePaddle、NumPy/MXNet四种实现。

✅ 理论 + 实战：公式、图示、可运行代码三位一体，每节可直接修改实验。

✅ 社区活跃：配套论坛答疑，持续迭代更新。

作者与贡献者

主作者：阿斯顿・张、扎卡里 C. 立顿、李沐、亚历山大 J. 斯莫拉（亚马逊）。

章节作者：布伦特・沃尼斯、瑞潮儿・胡、张帅、郑毅等。

框架改编：阿尼如・达格（PyTorch）、唐源（TensorFlow）、百度团队（飞桨）。

社区贡献：200 + 开发者参与内容完善。

内容结构（16 大章节）

引言：深度学习背景、关键组件、发展与应用。

预备知识：数据操作、线性代数、微积分、自动微分、概率基础。

线性神经网络：线性回归、softmax 回归、从零实现与简洁实现。

多层感知机：激活函数、过拟合与正则化、反向传播、数值稳定性。

深度学习计算：层与块、参数管理、GPU、自定义层、模型保存加载。

卷积神经网络（CNN）：卷积、填充 / 步幅、通道、汇聚、LeNet。

现代 CNN：AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet、批量归一化。

循环神经网络（RNN）：序列模型、文本预处理、RNN 原理与实现、时间反向传播。

现代 RNN：GRU、LSTM、深度 / 双向 RNN、机器翻译、seq2seq、束搜索。

注意力机制：注意力提示、评分函数、Bahdanau 注意力、多头注意力、Transformer。

优化算法：梯度下降、SGD、小批量、动量、AdaGrad、RMSProp、Adam、学习率调度。

计算性能：编译器、异步计算、自动并行、多 GPU 训练、参数服务器。

计算机视觉（CV）：图像增广、微调、目标检测（SSD/R-CNN）、语义分割、风格迁移、Kaggle 实战。

NLP：预训练：word2vec、GloVe、子词嵌入、BERT、预训练数据集。

NLP：应用：情感分析、自然语言推断、BERT 微调。

附录：Jupyter 使用、AWS/Colab 运行、服务器 / GPU 选择、贡献指南、d2l API 文档。

配套资源

📘 纸质书：《动手学深度学习（PyTorch 版）》（黑白平装），京东 / 当当有售。

🎥 视频：B 站配套教学视频（PyTorch 版、旧版）。

📂 代码：GitHub 开源仓库（d2l-ai/d2l-zh）。

🧩 工具：d2l 库（数据加载、训练、可视化等常用功能）。

适用人群

深度学习零基础入门（数学与 Python 基础即可）。

高校 AI/ML/CV/NLP 课程教材或参考。

工程师系统进阶深度学习核心模型与实战。

学习路径建议

先学第 2 章预备知识（张量、线性代数、自动微分）。

再学3–5 章基础模型（线性回归、MLP、计算组件）。

进阶6–10 章核心架构（CNN、RNN、Transformer）。

实战11–15 章应用（优化、CV、NLP 项目）。