本项目将《动手学深度学习》 原书中MXNet代码实现改为PaddlePaddle实现。原书作者：阿斯顿·张、李沐、扎卡里 C. 立顿、亚历山大 J. 斯莫拉以及其他社区贡献者，GitHub地址：https://github.com/d2l-ai/d2l-zh

简介

本仓库主要包含code和docs两个文件夹（数据存放在data中）。其中code文件夹就是每章相关jupyter notebook代码（基于PaddlePaddle）；docs文件夹就是jupyter notebook格式的《动手学深度学习》书中的相关内容，然后将本项目的内容托管在Read the Docs上。欢迎对本项目做出贡献或提出issue。

面向人群

本项目面向对深度学习感兴趣，尤其是想使用PaddlePaddle进行深度学习的童鞋。本项目并不要求你有任何深度学习或者机器学习的背景知识，你只需了解基础的数学和编程，如基础的线性代数、微分和概率，以及基础的Python编程。

食用方法

本仓库包含一些latex公式，但github的markdown原生是不支持公式显示的，而docs文件夹已经托管在Read the Docs上，所以查看文档最简便的方法就是直接访问本项目网页版。当然如果你还想跑一下运行相关代码的话还是得把本项目clone下来，然后运行code文件夹下相关代码。

Contributors

本项目的主要贡献者如下：

目录（未公开）

• 序言

• 安装

• 符号

• 1. 前言

• 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微分
  • 2.5 自动求导
  • 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（Fashion-MNIST）
  • 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 Dropout
  • 4.7 正向传播、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

• 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 池化层
  • 6.6 卷积神经网络（LeNet）

• 7. 现代卷积神经网络

  • 5.6 深度卷积神经网络（AlexNet）
  • 5.7 使用块的网络（VGG）
  • 5.8 网络中的网络（NiN）
  • 5.9 含并行连结的网络（GoogLeNet）
  • 5.10 批量归一化
  • 5.11 残差网络（ResNet）
  • 5.12 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
• 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（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-解码器结构
  • 9.7 序列到序列学习（seq2seq）
  • 9.8 束搜索

• 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

• 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 实战 Kaggle 比赛：图像分类 (CIFAR-10)

  • 13.10 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）

持续更新中......

Contributor

Contributors

原书地址

中文版：动手学深度学习 | Github仓库
English Version: Dive into Deep Learning | Github Repo

引用

如果您在研究中使用了这个项目请引用原书:

@book{zhang2019dive,
    title={Dive into Deep Learning},
    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
    note={\url{http://www.d2l.ai}},
    year={2020}
}