面向中文读者的能运行、可讨论的深度学习教科书 含 PyTorch、NumPy/MXNet、TensorFlow 和 PaddlePaddle 实现 被全球 70 多个国家 500 多所大学用于教学 【重磅升级， 新书榜第一 】 第二版纸质书——《动手学深度学习（PyTorch版）》（黑白平装版） 已在 京东 、 当当 上架。 纸质书在内容上与在线版大致相同，但力求在样式、术语标注、语言表述、用词规范、标点以及图、表、章节的索引上符合出版标准和学术规范。 第二版在线内容新增PaddlePaddle实现。 关注本书的 中文开源项目 和 英文开源项目 以及时获取最新信息。 【第一版纸质书】 可在 京东 、 当当 、 天猫 购买全彩精装版； 或者在 京东 、 当当 、 天猫 购买黑白平装版。 [ 新书榜 ] [ 关于样书 ] 【免费资源】 课件、作业、教学视频等资源可参考伯克利“深度学习导论” 课程大纲 中的链接（ 中文版课件 ）。 基于本书PyTorch版的教学视频在： B站 ； 基于本书 较早草稿内容 的教学视频在： B站 和 Youtube 。 Akuity TensorFlow改编 感谢来自社区的 200 多位贡献者 每一小节都是可以运行的 Jupyter 记事本 你可以自由修改代码和超参数来获取及时反馈，从而积累深度学习的实战经验。 亚马逊 SageMaker Studio Lab 我们不仅结合文字、公式和图示来阐明深度学习里常用的模型和算法，还提供代码来演示如何从零开始实现它们，并使用真实数据来提供一个交互式的学习体验。 你可以通过每个章节最后的链接来同社区的数千名小伙伴一起讨论学习。 本书（中英文版）被用作教材或参考书 1. 引言 1.1. 日常生活中的机器学习 1.2. 机器学习中的关键组件 1.3. 各种机器学习问题 1.4. 起源 1.5. 深度学习的发展 1.6. 深度学习的成功案例 1.7. 特点 1.8. 小结 1.9. 练习 1.1. 日常生活中的机器学习 1.2. 机器学习中的关键组件 2. 预备知识 2.1. 数据操作 2.2. 数据预处理 2.3. 线性代数 2.4. 微积分 2.5. 自动微分 2.6. 概率 2.7. 查阅文档 3. 线性神经网络 3.1. 线性回归 3.2. 线性回归的从零开始实现 3.3. 线性回归的简洁实现 3.4. softmax回归 3.5. 图像分类数据集 3.6. softmax回归的从零开始实现 3.7. softmax回归的简洁实现 3.2. 线性回归的从零开始实现 3.6. softmax回归的从零开始实现 3.7. softmax回归的简洁实现 4. 多层感知机 4.1. 多层感知机 4.2. 多层感知机的从零开始实现 4.3. 多层感知机的简洁实现 4.4. 模型选择、欠拟合和过拟合 4.5. 权重衰减 4.6. 暂退法（Dropout） 4.7. 前向传播、反向传播和计算图 4.8. 数值稳定性和模型初始化 4.9. 环境和分布偏移 4.10. 实战Kaggle比赛：预测房价 4.2. 多层感知机的从零开始实现 4.3. 多层感知机的简洁实现 4.4. 模型选择、欠拟合和过拟合 4.6. 暂退法（Dropout） 4.7. 前向传播、反向传播和计算图 4.8. 数值稳定性和模型初始化 4.10. 实战Kaggle比赛：预测房价 5. 深度学习计算 5.1. 层和块 5.2. 参数管理 5.3. 延后初始化 5.4. 自定义层 5.5. 读写文件 5.6. GPU 6. 卷积神经网络 6.1. 从全连接层到卷积 6.2. 图像卷积 6.3. 填充和步幅 6.4. 多输入多输出通道 6.5. 汇聚层 6.6. 卷积神经网络（LeNet） 6.6. 卷积神经网络（LeNet） 7. 现代卷积神经网络 7.1. 深度卷积神经网络（AlexNet） 7.2. 使用块的网络（VGG） 7.3. 网络中的网络（NiN） 7.4. 含并行连结的网络（GoogLeNet） 7.5. 批量规范化 7.6. 残差网络（ResNet） 7.7. 稠密连接网络（DenseNet） 7.1. 深度卷积神经网络（AlexNet） 7.2. 使用块的网络（VGG） 7.3. 网络中的网络（NiN） 7.4. 含并行连结的网络（GoogLeNet） 7.6. 残差网络（ResNet） 7.7. 稠密连接网络（DenseNet） 8. 循环神经网络 8.1. 序列模型 8.2. 文本预处理 8.3. 语言模型和数据集 8.4. 循环神经网络 8.5. 循环神经网络的从零开始实现 8.6. 循环神经网络的简洁实现 8.7. 通过时间反向传播 8.5. 循环神经网络的从零开始实现

8.6. 循环神经网络的简洁实现 9. 现代循环神经网络 9.1. 门控循环单元（GRU） 9.2. 长短期记忆网络（LSTM） 9.3. 深度循环神经网络 9.4. 双向循环神经网络 9.5. 机器翻译与数据集 9.6. 编码器-解码器架构 9.7. 序列到序列学习（seq2seq） 9.8. 束搜索 9.1. 门控循环单元（GRU） 9.2. 长短期记忆网络（LSTM） 9.7. 序列到序列学习（seq2seq） 10. 注意力机制 10.1. 注意力提示 10.2. 注意力汇聚：Nadaraya-Watson 核回归 10.3. 注意力评分函数 10.4. Bahdanau 注意力 10.5. 多头注意力 10.6. 自注意力和位置编码 10.7. Transformer 10.2. 注意力汇聚：Nadaraya-Watson 核回归 10.4. Bahdanau 注意力 10.6. 自注意力和位置编码 10.7. Transformer 11. 优化算法 11.1. 优化和深度学习 11.2. 凸性 11.3. 梯度下降 11.4. 随机梯度下降 11.5. 小批量随机梯度下降 11.6. 动量法 11.7. AdaGrad算法 11.8. RMSProp算法 11.9. Adadelta 11.10. Adam算法 11.11. 学习率调度器 11.5. 小批量随机梯度下降 11.7. AdaGrad算法 11.8. RMSProp算法 12. 计算性能 12.1. 编译器和解释器 12.2. 异步计算 12.3. 自动并行 12.4. 硬件 12.5. 多GPU训练 12.6. 多GPU的简洁实现 12.7. 参数服务器 12.6. 多GPU的简洁实现 13. 计算机视觉 13.1. 图像增广 13.2. 微调 13.3. 目标检测和边界框 13.4. 锚框 13.5. 多尺度目标检测 13.6. 目标检测数据集 13.7. 单发多框检测（SSD） 13.8. 区域卷积神经网络（R-CNN）系列 13.9. 语义分割和数据集 13.10. 转置卷积 13.11. 全卷积网络 13.12. 风格迁移 13.13. 实战 Kaggle 比赛：图像分类 (CIFAR-10) 13.14. 实战Kaggle比赛：狗的品种识别（ImageNet Dogs） 13.7. 单发多框检测（SSD） 13.8. 区域卷积神经网络（R-CNN）系列 13.13. 实战 Kaggle 比赛：图像分类 (CIFAR-10) 13.14. 实战Kaggle比赛：狗的品种识别（ImageNet Dogs） 14. 自然语言处理：预训练 14.1. 词嵌入（word2vec） 14.2. 近似训练 14.3. 用于预训练词嵌入的数据集 14.4. 预训练word2vec 14.5. 全局向量的词嵌入（GloVe） 14.6. 子词嵌入 14.7. 词的相似性和类比任务 14.8. 来自Transformers的双向编码器表示（BERT） 14.9. 用于预训练BERT的数据集 14.10. 预训练BERT 14.1. 词嵌入（word2vec） 14.3. 用于预训练词嵌入的数据集 14.4. 预训练word2vec 14.5. 全局向量的词嵌入（GloVe） 14.7. 词的相似性和类比任务 14.8. 来自Transformers的双向编码器表示（BERT） 14.9. 用于预训练BERT的数据集 15. 自然语言处理：应用 15.1. 情感分析及数据集 15.2. 情感分析：使用循环神经网络 15.3. 情感分析：使用卷积神经网络 15.4. 自然语言推断与数据集 15.5. 自然语言推断：使用注意力 15.6. 针对序列级和词元级应用微调BERT 15.7. 自然语言推断：微调BERT 15.2. 情感分析：使用循环神经网络 15.3. 情感分析：使用卷积神经网络 15.4. 自然语言推断与数据集 15.5. 自然语言推断：使用注意力 15.6. 针对序列级和词元级应用微调BERT 15.7. 自然语言推断：微调BERT 16. 附录：深度学习工具 16.1. 使用Jupyter Notebook 16.2. 使用Amazon SageMaker 16.3. 使用Amazon EC2实例 16.4. 选择服务器和GPU 16.5. 为本书做贡献 16.6. d2l API 文档 16.1. 使用Jupyter Notebook 16.2. 使用Amazon SageMaker 16.3. 使用Amazon EC2实例 16.4. 选择服务器和GPU 16.6. d2l API 文档