deep-representation-learning-book
deep-representation-learning-book 是学术著作《学习数据分布的深度表示》的官方开源代码库。它并非直接供普通读者阅读电子书使用（书籍 PDF 可在线获取），而是为希望深入探索书中技术细节的用户提供全套源码支持。
该项目主要解决了学术研究中“复现难”的痛点。通过开放完整的构建脚本，用户可以从零编译书籍或其独立章节，确保公式与排版的精确性；同时，它提供了生成书中所有可视化图表的原始代码，让读者不仅能“看”到结论，更能亲手运行实验、验证算法逻辑。此外，项目还包含了将 LaTeX 文档转换为交互式网站的全套流程，支持社区贡献多语言翻译及技术内容修订。
这套工具特别适合人工智能领域的研究人员、高校师生以及开发者使用。如果你打算基于书中理论进行二次开发、需要引用或修改书中的模型图表，亦或是想参与该书的本地化翻译工作，deep-representation-learning-book 将是不可或缺的资源。其技术亮点在于采用了现代化的 Python 包管理器 uv 来隔离依赖环境，并设计了灵活的 LaTeX 编译方案，既支持整书构建也支持单章独立编译，极大地降低了学术代码的复用门槛，促进了深度学习表示学习领域的知识共享与协作。
使用场景
某高校机器学习实验室的研究生团队正在撰写关于“数据分布深度表示”的综述论文，并需要复现经典模型以验证理论推导。
没有 deep-representation-learning-book 时
- 团队成员需手动从分散的学术资源中搜集公式与代码，常因版本不一致导致数学推导与实验结果对不上。
- 复现书中图表时，缺乏统一的依赖管理环境，配置 Python 库耗时数天且频繁报错，严重拖慢研究进度。
- 想要修改或扩展某一章节（如经典模型章）的内容时，由于缺乏模块化源码，只能从头重写 LaTeX 文档，效率极低。
- 团队协作困难，无法快速构建本地可预览的网页版草稿，导致审阅和反馈周期漫长。
使用 deep-representation-learning-book 后
- 直接利用仓库中章节对应的源码（如
chapters/chapter2），一键运行即可生成与书中完全一致的理论图表，确保推导与实验严丝合缝。 - 通过
uv sync命令秒级创建隔离的虚拟环境，彻底解决依赖冲突问题，让研究人员能立即专注于算法逻辑而非环境调试。 - 借助模块化的 LaTeX 结构，团队可单独编译特定章节（如
classic-models.tex），快速迭代内容并尝试加入新的技术变体。 - 利用内置的构建脚本将 LaTeX 自动转换为带 MathJax 的 HTML 网站，实时在本地预览成果，极大提升了组内讨论与协作效率。
deep-representation-learning-book 将晦涩的理论书籍转化为可执行、可交互的代码库，真正实现了“所读即所得”的高效科研闭环。
运行环境要求
- 未说明
未说明
未说明
快速开始
“学习数据分布的深度表示”
本仓库是书籍《学习数据分布的深度表示》的_源代码_。 如果您只是想阅读本书，则无需使用本仓库。我们已在此链接提供了一份副本，并会定期更新。
通常情况下，您访问源代码可能是出于以下目的：
- 您希望从头开始构建整本书或其中某一章节。请参阅此部分。
- 您希望使用生成书中某幅图表的源代码。请参阅此部分。
- 您想要编辑网站。请参阅此部分。
- 您想提出问题，或者告知我们仓库中的某些内容存在异常。请参阅此部分。
- 您希望贡献一些内容，例如翻译版本，或某个或多个章节中的技术性内容。请参阅此部分。
构建整本书或某一章节
构建整本书或某一章节的先决条件
- 本地安装的
pdflatex系统（推荐使用 TexLive） latexmk可执行文件，它随TexLive一起提供，也可以通过brew安装
如何构建整本书或某一章节
要构建整本书，请进入仓库根目录并运行：
latexmk book-main.tex
然后查看生成的 book-main.pdf。
您也可以使用 latexmk 来单独构建各个章节！例如，要构建第2章，可以进入 chapters/chapter2 目录并运行：
latexmk classic-models.tex
然后查看生成的 classic-models.pdf。（classic-models.tex 是第2章的文件）。我们进行了一些 LaTeX 技巧上的优化，因此在您的集成开发环境中编译整本书或单个章节应该都能正常工作（如果遇到问题，请提交 issue）。
对于本书的中文翻译版，您也可以采用相同的方法（不过请注意，可能需要使用 latexmk book-main_zh.tex -f 等命令，强制标志是因为缺少某些字符）。
使用代码
使用代码的先决条件
- Python 包管理器
uv
如何使用代码
- 进入仓库并运行
uv sync，这将创建一个仅限于该仓库的 Python 虚拟环境。 - 前往您感兴趣的章节文件夹，并进入代码目录，即
chapters/chapter3/code。 - 使用
uv run <filename>运行所需的文件，并观察输出结果。
构建网站
构建网站的先决条件
- 本地安装包含
make4ht的 TeX 发行版（推荐使用 TexLive；make4ht包含在 TexLive 中） - Python 包管理器
uv - 安装了
ImageMagick
如何构建网站
- 进入仓库并运行
uv sync，这将创建一个仅限于该仓库的 Python 虚拟环境。 - 首先构建整本书，以确保
book-main.bbl文件是最新的（参见构建整本书）。 - 运行构建流程：
bash website/latex_to_html/build.sh book-main.tex
该脚本会运行 make4ht，生成 MathJax 宏，并将其注入到每个 HTML 文件中，最后对输出进行后处理，生成 website/html/ 目录下的文件。这个过程可能需要一段时间（大约10–30分钟）。
- 启动本地 HTTP 服务器以预览网站：
python -m http.server -d website/html
- 打开浏览器访问
http://localhost:8000/index.html。
注意：AI 助手通过向 Cloudflare Worker 代理发送请求来调用多种不同的模型。我们使用此代理是为了避免将 API 密钥公开给所有人。因此，该 Worker 将不会开源。如果您确实需要访问权限，请联系 Druv。
提交问题
提交问题的先决条件
拥有一个 GitHub 账号。
如何提交问题
使用 GitHub 的“提交问题”界面，链接在此。请在提交问题时尽可能提供详细信息。
- 如果您提交的是关于代码的问题，请告知我们您的系统配置：操作系统、Python 版本、
uv版本、您正在使用的 GPU/TPU 配置等。 - 如果您提交的是关于内容的问题，请尽量描述清楚。如果您认为某处存在问题，请给出具体的理由（例如反例）。
请使用英语，这样可以最大限度地让更多人帮助您解决问题。
贡献内容
贡献内容的先决条件
- 至少需要一个文本编辑器和一个 GitHub 账号。
- 不过，您可能还需要能够构建整本书和/或某一章节以及编辑并运行代码。
如何贡献内容
- 在 GitHub 上创建一个新的分支，并为其命名（只要名称未被占用即可），例如
my_new_branch。 - 使用
git clone将仓库克隆到本地：
git clone https://github.com/Ma-Lab-Berkeley/deep-representation-learning-book.git
- 切换到新分支：
git checkout -b my_new_branch
- 进行您想要的修改，然后添加、提交并推送到 GitHub：
git add <您修改的一些文件>
git commit -m "<描述性的提交信息>"
git push -u origin my_new_branch
- 您可以根据需要多次提交和推送，直到满意为止。
- 使用 GitHub 界面向
main分支发起拉取请求：比较页面。该拉取请求可能会经过核心贡献者的审核，并最终合并到main分支。
请使用英语，这样可以让更多人参与您的贡献。
注意：社区页面包含许多幻灯片和其他 PDF 文件，这些文件托管在 Cloudflare R2 上。这样做是为了限制仓库的整体大小，从而方便克隆和编辑。如果您想上传 PDF 资源，请联系 Druv。
贡献的一般指南
- 对于代码：请仔细查看现有的代码文件，了解编码模式。
- 对于 LaTeX：请仔细查看现有的 LaTeX 文件，了解编码模式。
引用信息
衷心感谢！
@book{ppdrl2026,
title={深度表示学习的原理与实践},
author={Buchanan, Sam 和 Pai, Druv 和 Wang, Peng 和 Ma, Yi},
month=mar,
year={2026},
publisher={在线},
note={\url{https://ma-lab-berkeley.github.io/deep-representation-learning-book/}.}
}
常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。