AI学习网站
动手学深度学习
面向中文读者的可运行、可讨论的深度学习交互式教科书
动手学深度学习是什么
《动手学深度学习》（Dive into Deep Learning）第二版是一本面向中文读者的开源深度学习教科书。它不仅是理论指南，更是一个包含完整代码实现的学习平台，支持 PyTorch、NumPy/MXNet、TensorFlow 和 PaddlePaddle 等多种主流框架。该书被全球 70 多个国家的 500 多所大学用作教材或参考书，旨在通过实战帮助读者掌握深度学习的核心概念。
本书的每一小节都提供可运行的 Jupyter 记事本，读者可以自由修改代码和超参数以获取即时反馈，从而积累真实的深度学习实战经验。内容涵盖从线性回归、多层感知机到卷积神经网络（CNN）、循环神经网络（RNN）、Transformer 以及 BERT 等现代架构，并结合公式、图示和真实数据集进行交互式教学。
除了在线文档，本书还提供纸质版（包括黑白平装和全彩精装），并在京东、当当等平台发售。社区支持活跃，提供课件、作业及基于 PyTorch 版本的教学视频（B站/Youtube），方便不同背景的学习者深入理解从数据预处理到模型部署的全流程。
主要功能
- 多框架支持官方提供 PyTorch、NumPy/MXNet、TensorFlow 和 PaddlePaddle 四种框架的代码实现，方便读者对比学习。
- 交互式 Jupyter 记事本每一小节都是可运行的代码单元，支持本地运行、Amazon SageMaker Studio Lab、SageMaker 或 Google Colab。
- 从零开始与简洁实现关键算法既提供从零开始的底层实现以揭示原理，也提供使用高级 API 的简洁实现以提升工程效率。
- 全面的内容覆盖涵盖预备知识、线性神经网络、CNN、RNN、注意力机制、Transformer、优化算法及计算机视觉和 NLP 应用。
- 实战 Kaggle 竞赛包含预测房价、图像分类（CIFAR-10）、狗品种识别等真实 Kaggle 比赛案例，强化实战能力。
- 活跃的社区与资源拥有 200 多位社区贡献者，提供中文版课件、教学视频及论坛讨论支持，便于解决学习中的问题。
如何使用
- 访问官网 zh.d2l.ai，选择你偏好的深度学习框架版本（如 PyTorch 或 PaddlePaddle）。
- 阅读前言和安装指南，配置本地 Python 环境，或直接使用提供的云端环境（如 Google Colab）。
- 按章节顺序学习，从预备知识（线性代数、微积分）开始，逐步进入线性神经网络和多层感知机。
- 下载并运行每个章节对应的 Jupyter 记事本，尝试修改代码中的超参数，观察模型性能变化。
- 参与章节末尾的社区讨论，或观看 B站/Youtube 上的配套教学视频以加深理解。
- 完成书中的实战项目（如 Kaggle 比赛案例），将所学知识应用于真实数据集。
应用场景
- 高校深度学习课程作为大学本科生或研究生的教材，提供标准化的课件、作业和实验代码，降低教学门槛。
- 工程师技能提升帮助已有编程基础的开发者深入理解深度学习底层原理，从调用 API 转向理解模型架构。
- Kaggle 竞赛准备通过书中的实战案例学习数据预处理、特征工程和模型调优技巧，提升竞赛排名。
- 学术研究参考为研究人员提供经典模型（如 ResNet, BERT）的清晰实现和数学推导，便于复现和改进。
价格 / 免费额度
免费在线阅读；纸质书在京东、当当等平台销售，具体价格以官网为准。
适合人群
- 深度学习初学者
- 计算机专业学生
- AI 算法工程师
- 数据科学家
- 高校教师
常见问题
我需要什么样的编程基础才能学习这本书？
建议具备基本的 Python 编程能力。书中第二章“预备知识”会回顾必要的线性代数、微积分和概率论知识，但熟悉 Python 和数据操作库（如 NumPy）会更有帮助。
我应该选择哪个深度学习框架版本？
目前 PyTorch 版本在社区中非常流行且更新活跃，适合大多数初学者。如果你所在的公司或学校主要使用 TensorFlow 或 PaddlePaddle，也可以选择相应的版本，核心概念是通用的。
如何运行书中的代码？
你可以点击每节顶部的“Jupyter 记事本”链接下载代码，在本地运行；或者直接使用 Google Colab、Amazon SageMaker 等云端环境一键运行，无需本地配置。
这本书适合完全零基础的人吗？
适合有一定编程基础但对深度学习理论不熟悉的读者。书中从最简单的线性回归讲起，逐步深入，并提供了大量图示和代码解释，非常适合入门。