82,428
stars
+52+214+1,026
12,487
forks
1,112
watchers
1,414
prs
0
issues
16
releases
0
discussions
README
动手学深度学习（Dive into Deep Learning，D2L.ai）
第二版：zh.D2L.ai | 第一版：zh-v1.D2L.ai | 安装和使用书中源代码： 第二版 第一版
理解深度学习的最佳方法是学以致用。
本开源项目代表了我们的一种尝试：我们将教给读者概念、背景知识和代码；我们将在同一个地方阐述剖析问题所需的批判性思维、解决问题所需的数学知识，以及实现解决方案所需的工程技能。
我们的目标是创建一个为实现以下目标的统一资源：
1. 所有人均可在网上免费获取；
1. 提供足够的技术深度，从而帮助读者实际成为深度学习应用科学家：既理解数学原理，又能够实现并不断改进方法；
1. 包含可运行的代码，为读者展示如何在实际中解决问题。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验；
1. 允许我们和整个社区不断快速迭代内容，从而紧跟仍在高速发展的深度学习领域；
1. 由包含有关技术细节问答的论坛作为补充，使大家可以相互答疑并交换经验。
将本书（中英文版）用作教材或参考书的大学
如果本书对你有帮助，请Star (★) 本仓库或引用本书的英文版：
@book{zhang2023dive,
title={Dive into Deep Learning},
author={Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J.},
publisher={Cambridge University Press},
note={\url{https://D2L.ai}},
year={2023}
}
本书的英文版
虽然纸质书已出版，但深度学习领域依然在迅速发展。为了得到来自更广泛的英文开源社区的帮助，从而提升本书质量，本书的新版将继续用英文编写，并搬回中文版。
欢迎关注本书的英文开源项目。
中英文教学资源
加州大学伯克利分校 2019 年春学期 Introduction to Deep Learning 课程教材（同时提供含教学视频地址的中文版课件）。
学术界推荐
"Dive into this book if you want to dive into deep learning!"
— 韩家炜，ACM 院士、IEEE 院士，美国伊利诺伊大学香槟分校计算机系 Michael Aiken Chair 教授
"This is a highly welcome addition to the machine learning literature."
— Bernhard Schölkopf，ACM 院士、德国国家科学院院士，德国马克斯•普朗克研究所智能系统院院长
"书中代码可谓‘所学即所用’。"
— 周志华，ACM 院士、IEEE 院士、AAAS 院士，南京大学计算机科学与技术系主任
"这本书可以帮助深度学习实践者快速提升自己的能力。"
— 张潼，ASA 院士、IMS 院士，香港科技大学计算机系和数学系教授
工业界推荐
"一本优秀的深度学习教材，值得任何想了解深度学习何以引爆人工智能革命的人关注。"
— 黄仁勋，NVIDIA创始人 & CEO
"《动手学深度学习》是最适合工业界研发工程师学习的。我毫无保留地向广大的读者们强烈推荐。"
— 余凯，地平线公司创始人 & CEO
"强烈推荐这本书！我特别赞赏这种手脑一体的学习方式。"
— 漆远，复旦大学“浩清”教授、人工智能创新与产业研究院院长
"《动手学深度学习》是一本很容易让学习者上瘾的书。"
— 沈强，将门创投创始合伙人
贡献
感谢社区贡献者们为每一位读者改进这本开源书。
如何贡献 | 致谢 | 讨论或报告问题 | 其他Latest release
2.0.0版发布 v2.0.0 2022-12-08第二版纸质书 第二版纸质书 《动手学深度学习（PyTorch版）》 将由人民邮电出版社出版，并在2023年元旦与读者见面。纸质版的索引、样式、排版、表述等均由出版社做了进一步的改进。 《动手学深度学习（PyTorch版）》 是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。它包含2.0.0版全部章节：1. 引言、2. 预备知识、3. 线性神经网络、4. 多层感知机、5. 深度学习计算、6. 卷积神经网络、7. 现代卷积神经网络、8. 循环神经网络、9. 现代循环神经网络、10. 注意力机制、11. 优化算法、12. 计算性能、13. 计算机视觉、14. 自然语言处理：预训练、15. 自然语言处理：应用、附录：深度学习工具。第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 新增PaddlePaddle实现 2.0.