动手学深度学习是什么：核心定位
想系统学习深度学习，却卡在理论与代码脱节？《动手学深度学习》正是为解决这个常见问题而生。它是一本可运行、可讨论的交互式教科书，由李沐、Aston Zhang 等人编写。
该教材提供中英文版本，内容从基础到前沿。读者不仅能读文字、看公式，还能直接运行代码。这种设计让抽象概念变得具体。
面向中文读者的深度学习教科书
本书专为中文读者构建。作者团队包括李沐、Aston Zhang、Zack Lipton 和 Alex J. Smola。他们来自学术界与工业界，深知学习难点。
教材内容系统完整。从预备知识讲起，覆盖线性神经网络、多层感知机、卷积神经网络、循环神经网络、注意力机制等核心模块。
交互式学习体验：Jupyter记事本
这是本书区别于传统教材的核心。每个章节都配有 Jupyter 记事本（一种可运行代码的交互式文档）。
你在浏览器里就能改代码、调参数。公式、图示、代码在同一页面呈现。比如调整学习率，训练曲线立刻变化。这种即时反馈大幅降低理解门槛。
动手学深度学习主要特点
- 理论教学：系统讲解核心概念与数学基础
- 实践指导：提供代码示例、数据集和实验项目
- 资源支持：在线文档、教学视频、论坛讨论
- 多框架实现：支持 PyTorch、NumPy/MXNet、TensorFlow、PaddlePaddle
多框架代码实现
读者可自由选择框架。PyTorch 版最受欢迎，社区活跃。NumPy/MXNet 版适合从底层理解。TensorFlow 版满足工业界需求。PaddlePaddle 版则方便国内开发者。
切换框架只需点击标签页。同一算法在不同框架下的实现并排展示。这帮你理解框架差异，而非死记 API。
从零开始实现算法
每个模型都提供两种实现方式。先「从零开始」，手写每一行代码。再用框架「简洁实现」，调用高层 API。
比如线性回归，从零实现要手动定义损失函数、梯度下降。简洁实现只需几行代码。对比两种方式，底层原理一目了然。
丰富的配套资源
配套网站 zh.d2l.ai 提供全部内容。教学视频在 B 站有完整搬运。数据集可直接下载。
论坛 discuss.d2l.ai 用于提问交流。遇到代码报错，发帖通常能得到回复。这些资源全部免费。
动手学深度学习操作步骤
访问在线教材
打开 zh.d2l.ai。浏览左侧目录。选择感兴趣的章节。
每个小节都有「Jupyter 记事本」链接。点击即可在云端运行。无需本地安装环境。
选择框架并运行代码
页面顶部有框架切换标签。默认是 PyTorch。点击可切换 TensorFlow 或 MXNet。
点击「运行」按钮。代码会从头执行。你可以逐步观察输出。也可以下载记事本到本地。
修改代码和超参数
在记事本中找到超参数定义。比如学习率 lr=0.1。改成 lr=0.01。
重新运行训练单元。观察损失曲线变化。尝试增加网络层数。对比训练时间和准确率。
参与社区讨论
访问 discuss.d2l.ai。注册账号。搜索你的问题。
若没有答案，发新帖。附上代码和报错信息。社区成员会帮忙解答。你也可以分享学习笔记。
动手学深度学习和类似工具怎么选
| 特性维度 | 代码实践 | 框架支持 | 学习节奏 | 费用 | 数学门槛 |
|---|---|---|---|---|---|
| 动手学深度学习 | 从零实现+简洁实现 | PyTorch/TensorFlow/MXNet等 | 完全自由 | 在线免费 | 较高 |
| 吴恩达深度学习课程 | 课后编程作业 | 主要用TensorFlow | 固定周数 | 免费或付费证书 | 中等 |
| fast.ai | 高层API快速建模 | 仅PyTorch | 自由但建议跟课 | 免费 | 较低 |
| 中国大学MOOC | 部分课程含实验 | 依课程而定 | 固定开课时间 | 免费或付费 | 依课程而定 |
对比吴恩达深度学习课程
吴恩达的课偏理论讲解。视频里推导公式，作业是填空式编程。
动手学深度学习更强调代码实践。你从零写完整模型。多框架支持也是吴恩达课程没有的。
对比fast.ai
fast.ai 使用 PyTorch 高层 API。几行代码就能训练出不错模型。适合快速上手。
但 fast.ai 不深入底层实现。动手学深度学习从零实现每个算法。理解深度更深。
对比中国大学MOOC
MOOC 有固定开课时间。作业有截止日期。适合需要外部督促的学习者。
动手学深度学习完全自由。你想什么时候学就什么时候学。没有作业压力。
动手学深度学习应用场景
- 计算机视觉：图像分类、目标检测
- 自然语言处理：文本分类、机器翻译、预训练模型
- 语音识别：语音转文本
- 推荐系统：个性化推荐
- 医疗健康：辅助诊断
计算机视觉
教材用专门章节讲解 CNN（卷积神经网络）。从 LeNet 到 ResNet，再到现代架构。
你动手实现图像分类。使用 CIFAR-10 数据集。还能尝试目标检测任务。
自然语言处理
涵盖 RNN（循环神经网络）、LSTM、GRU。重点讲解注意力机制。
预训练模型部分介绍 BERT 和 GPT。你学习如何微调这些模型。完成文本分类或机器翻译。
推荐系统
这一章是第二版新增内容。从矩阵分解讲起。逐步过渡到深度模型。
使用 MovieLens 数据集。实现评分预测和个性化排序。理解工业界推荐系统的核心方法。
动手学深度学习优势和不足
- 优势：免费开源、多框架、交互式学习、全球采用
- 不足：数学门槛高、部分内容更新慢
免费开源与全球采用
在线内容全部免费。代码在 GitHub 开源。纸质书需购买，但电子版免费。
根据公开数据，本书被全球 70 多个国家 500 多所大学采用。包括斯坦福、MIT、哈佛、剑桥。社区活跃，GitHub 星标数万。
数学基础要求较高
预备知识要求线性代数、概率论、微积分。没有这些基础，读起来会吃力。
书中虽有数学章节，但讲解较简略。完全零基础的学习者可能需要先补数学。
最近的变化：动手学深度学习更新了什么
第二版于 2020 年底开始发布预览。相比第一版，内容大幅修订。代码框架从单一 MXNet 扩展到多框架。
第二版内容修订与新增
预备知识一章完全重写。新增数据预处理、线性代数、微分、概率等小节。
卷积神经网络拆分为两章。新增「从全连接层到卷积」小节。循环神经网络同样拆分，新增序列模型和文本预处理。
多框架代码实现
第二版代码部分包含 PyTorch、TensorFlow 和 MXNet 三种框架。读者可自由切换。
常用函数包由 d2lzh 改为 d2l。分为 mxnet.py、torch.py、tensorflow.py 三个模块。讨论区也更新到 discuss.d2l.ai/c/16。
