[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ShusenTang--Dive-into-DL-PyTorch":3,"tool-ShusenTang--Dive-into-DL-PyTorch":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":74,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":32,"env_os":99,"env_gpu":100,"env_ram":99,"env_deps":101,"category_tags":107,"github_topics":108,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":119},8594,"ShusenTang\u002FDive-into-DL-PyTorch","Dive-into-DL-PyTorch","本项目将《动手学深度学习》(Dive into Deep Learning)原书中的MXNet实现改为PyTorch实现。","Dive-into-DL-PyTorch 是经典教材《动手学深度学习》的 PyTorch 版本重构项目。原书代码基于 MXNet 框架，而本项目将其完整迁移至目前业界更主流的 PyTorch 生态，旨在降低学习门槛，让读者能直接使用熟悉的工具掌握深度学习核心知识。\n\n该项目主要解决了学习者面对优质中文教材却受限于非主流框架（MXNet）的痛点。它保留了原书从数学原理到代码实现的完整教学体系，涵盖线性回归、卷积神经网络等基础内容，同时提供了基于 PyTorch 的可运行 Jupyter Notebook 代码和配套文档。无论是环境配置、数据操作还是模型训练，所有示例均已完成适配，确保理论与实践无缝衔接。\n\nDive-into-DL-PyTorch 特别适合希望入门深度学习的学生、开发者及研究人员。使用者无需具备深厚的机器学习背景，只要掌握基础的线性代数、微积分知识及 Python 编程能力即可上手。项目的一大亮点是其灵活的文档阅读体验：除了直接克隆代码运行外，还利用 Docsify 搭建了在线网页版，并支持通过本地服务或 Docker 容器快速部署文档环境，方便用户在不同场景下高效学习与","Dive-into-DL-PyTorch 是经典教材《动手学深度学习》的 PyTorch 版本重构项目。原书代码基于 MXNet 框架，而本项目将其完整迁移至目前业界更主流的 PyTorch 生态，旨在降低学习门槛，让读者能直接使用熟悉的工具掌握深度学习核心知识。\n\n该项目主要解决了学习者面对优质中文教材却受限于非主流框架（MXNet）的痛点。它保留了原书从数学原理到代码实现的完整教学体系，涵盖线性回归、卷积神经网络等基础内容，同时提供了基于 PyTorch 的可运行 Jupyter Notebook 代码和配套文档。无论是环境配置、数据操作还是模型训练，所有示例均已完成适配，确保理论与实践无缝衔接。\n\nDive-into-DL-PyTorch 特别适合希望入门深度学习的学生、开发者及研究人员。使用者无需具备深厚的机器学习背景，只要掌握基础的线性代数、微积分知识及 Python 编程能力即可上手。项目的一大亮点是其灵活的文档阅读体验：除了直接克隆代码运行外，还利用 Docsify 搭建了在线网页版，并支持通过本地服务或 Docker 容器快速部署文档环境，方便用户在不同场景下高效学习与查阅。这是一个开源社区驱动的优质资源，欢迎各界人士共同参与贡献。","\n\u003Cdiv align=center>\n\u003Cimg width=\"500\" src=\"img\u002Fcover.png\" alt=\"封面\"\u002F>\n\u003C\u002Fdiv>\n\n[本项目](https:\u002F\u002Ftangshusen.me\u002FDive-into-DL-PyTorch)将[《动手学深度学习》](http:\u002F\u002Fzh.d2l.ai\u002F) 原书中MXNet代码实现改为PyTorch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:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-zh\n\n此书的[中](https:\u002F\u002Fzh.d2l.ai\u002F)[英](https:\u002F\u002Fd2l.ai\u002F)版本存在一些不同，针对此书英文版的PyTorch重构可参考[这个项目](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fd2l-pytorch)。\nThere are some differences between the [Chinese](https:\u002F\u002Fzh.d2l.ai\u002F) and [English](https:\u002F\u002Fd2l.ai\u002F) versions of this book. For the PyTorch modifying of the English version, you can refer to [this repo](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fd2l-pytorch).\n\n\n## 简介\n本仓库主要包含code和docs两个文件夹（外加一些数据存放在data中）。其中code文件夹就是每章相关jupyter notebook代码（基于PyTorch）；docs文件夹就是markdown格式的《动手学深度学习》书中的相关内容，然后利用[docsify](https:\u002F\u002Fdocsify.js.org\u002F#\u002Fzh-cn\u002F)将网页文档部署到GitHub Pages上，由于原书使用的是MXNet框架，所以docs内容可能与原书略有不同，但是整体内容是一样的。欢迎对本项目做出贡献或提出issue。\n\n## 面向人群\n本项目面向对深度学习感兴趣，尤其是想使用PyTorch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。\n\n## 食用方法 \n### 方法一\n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文件夹已经利用[docsify](https:\u002F\u002Fdocsify.js.org\u002F#\u002Fzh-cn\u002F)被部署到了GitHub Pages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](https:\u002F\u002Ftangshusen.me\u002FDive-into-DL-PyTorch)。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。\n\n### 方法二\n你还可以在本地访问文档，先安装`docsify-cli`工具:\n``` shell\nnpm i docsify-cli -g\n```\n然后将本项目clone到本地:\n``` shell\ngit clone https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch.git\ncd Dive-into-DL-PyTorch\n```\n然后运行一个本地服务器，这样就可以很方便的在`http:\u002F\u002Flocalhost:3000`实时访问文档网页渲染效果。\n``` shell\ndocsify serve docs\n```\n\n### 方法三\n如果你不想安装`docsify-cli`工具，甚至你的电脑上都没有安装`Node.js`，而出于某些原因你又想在本地浏览文档，那么你可以在`docker`容器中运行网页服务。\n\n首先将本项目clone到本地:\n``` shell\ngit clone https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch.git\ncd Dive-into-DL-PyTorch\n```\n之后使用如下命令创建一个名称为「d2dl」的`docker`镜像：\n``` shell\ndocker build -t d2dl .\n```\n镜像创建好后，运行如下命令创建一个新的容器：\n``` shell\ndocker run -dp 3000:3000 d2dl\n```\n最后在浏览器中打开这个地址`http:\u002F\u002Flocalhost:3000\u002F#\u002F`，就能愉快地访问文档了。适合那些不想在电脑上装太多工具的小伙伴。\n\n\n## 目录\n* [简介]()\n* [阅读指南](read_guide.md)\n* [1. 深度学习简介](chapter01_DL-intro\u002Fdeep-learning-intro.md)\n* 2\\. 预备知识\n   * [2.1 环境配置](chapter02_prerequisite\u002F2.1_install.md)\n   * [2.2 数据操作](chapter02_prerequisite\u002F2.2_tensor.md)\n   * [2.3 自动求梯度](chapter02_prerequisite\u002F2.3_autograd.md)\n* 3\\. 深度学习基础\n   * [3.1 线性回归](chapter03_DL-basics\u002F3.1_linear-regression.md)\n   * [3.2 线性回归的从零开始实现](chapter03_DL-basics\u002F3.2_linear-regression-scratch.md)\n   * [3.3 线性回归的简洁实现](chapter03_DL-basics\u002F3.3_linear-regression-pytorch.md)\n   * [3.4 softmax回归](chapter03_DL-basics\u002F3.4_softmax-regression.md)\n   * [3.5 图像分类数据集（Fashion-MNIST）](chapter03_DL-basics\u002F3.5_fashion-mnist.md)\n   * [3.6 softmax回归的从零开始实现](chapter03_DL-basics\u002F3.6_softmax-regression-scratch.md)\n   * [3.7 softmax回归的简洁实现](chapter03_DL-basics\u002F3.7_softmax-regression-pytorch.md)\n   * [3.8 多层感知机](chapter03_DL-basics\u002F3.8_mlp.md)\n   * [3.9 多层感知机的从零开始实现](chapter03_DL-basics\u002F3.9_mlp-scratch.md)\n   * [3.10 多层感知机的简洁实现](chapter03_DL-basics\u002F3.10_mlp-pytorch.md)\n   * [3.11 模型选择、欠拟合和过拟合](chapter03_DL-basics\u002F3.11_underfit-overfit.md)\n   * [3.12 权重衰减](chapter03_DL-basics\u002F3.12_weight-decay.md)\n   * [3.13 丢弃法](chapter03_DL-basics\u002F3.13_dropout.md)\n   * [3.14 正向传播、反向传播和计算图](chapter03_DL-basics\u002F3.14_backprop.md)\n   * [3.15 数值稳定性和模型初始化](chapter03_DL-basics\u002F3.15_numerical-stability-and-init.md)\n   * [3.16 实战Kaggle比赛：房价预测](chapter03_DL-basics\u002F3.16_kaggle-house-price.md)\n* 4\\. 深度学习计算\n   * [4.1 模型构造](chapter04_DL_computation\u002F4.1_model-construction.md)\n   * [4.2 模型参数的访问、初始化和共享](chapter04_DL_computation\u002F4.2_parameters.md)\n   * [4.3 模型参数的延后初始化](chapter04_DL_computation\u002F4.3_deferred-init.md)\n   * [4.4 自定义层](chapter04_DL_computation\u002F4.4_custom-layer.md)\n   * [4.5 读取和存储](chapter04_DL_computation\u002F4.5_read-write.md)\n   * [4.6 GPU计算](chapter04_DL_computation\u002F4.6_use-gpu.md)\n* 5\\. 卷积神经网络\n   * [5.1 二维卷积层](chapter05_CNN\u002F5.1_conv-layer.md)\n   * [5.2 填充和步幅](chapter05_CNN\u002F5.2_padding-and-strides.md)\n   * [5.3 多输入通道和多输出通道](chapter05_CNN\u002F5.3_channels.md)\n   * [5.4 池化层](chapter05_CNN\u002F5.4_pooling.md)\n   * [5.5 卷积神经网络（LeNet）](chapter05_CNN\u002F5.5_lenet.md)\n   * [5.6 深度卷积神经网络（AlexNet）](chapter05_CNN\u002F5.6_alexnet.md)\n   * [5.7 使用重复元素的网络（VGG）](chapter05_CNN\u002F5.7_vgg.md)\n   * [5.8 网络中的网络（NiN）](chapter05_CNN\u002F5.8_nin.md)\n   * [5.9 含并行连结的网络（GoogLeNet）](chapter05_CNN\u002F5.9_googlenet.md)\n   * [5.10 批量归一化](chapter05_CNN\u002F5.10_batch-norm.md)\n   * [5.11 残差网络（ResNet）](chapter05_CNN\u002F5.11_resnet.md)\n   * [5.12 稠密连接网络（DenseNet）](chapter05_CNN\u002F5.12_densenet.md)\n* 6\\. 循环神经网络\n   * [6.1 语言模型](chapter06_RNN\u002F6.1_lang-model.md)\n   * [6.2 循环神经网络](chapter06_RNN\u002F6.2_rnn.md)\n   * [6.3 语言模型数据集（周杰伦专辑歌词）](chapter06_RNN\u002F6.3_lang-model-dataset.md)\n   * [6.4 循环神经网络的从零开始实现](chapter06_RNN\u002F6.4_rnn-scratch.md)\n   * [6.5 循环神经网络的简洁实现](chapter06_RNN\u002F6.5_rnn-pytorch.md)\n   * [6.6 通过时间反向传播](chapter06_RNN\u002F6.6_bptt.md)\n   * [6.7 门控循环单元（GRU）](chapter06_RNN\u002F6.7_gru.md)\n   * [6.8 长短期记忆（LSTM）](chapter06_RNN\u002F6.8_lstm.md)\n   * [6.9 深度循环神经网络](chapter06_RNN\u002F6.9_deep-rnn.md)\n   * [6.10 双向循环神经网络](chapter06_RNN\u002F6.10_bi-rnn.md)\n* 7\\. 优化算法\n   * [7.1 优化与深度学习](chapter07_optimization\u002F7.1_optimization-intro.md)\n   * [7.2 梯度下降和随机梯度下降](chapter07_optimization\u002F7.2_gd-sgd.md)\n   * [7.3 小批量随机梯度下降](chapter07_optimization\u002F7.3_minibatch-sgd.md)\n   * [7.4 动量法](chapter07_optimization\u002F7.4_momentum.md)\n   * [7.5 AdaGrad算法](chapter07_optimization\u002F7.5_adagrad.md)\n   * [7.6 RMSProp算法](chapter07_optimization\u002F7.6_rmsprop.md)\n   * [7.7 AdaDelta算法](chapter07_optimization\u002F7.7_adadelta.md)\n   * [7.8 Adam算法](chapter07_optimization\u002F7.8_adam.md)\n* 8\\. 计算性能\n   * [8.1 命令式和符号式混合编程](chapter08_computational-performance\u002F8.1_hybridize.md)\n   * [8.2 异步计算](chapter08_computational-performance\u002F8.2_async-computation.md)\n   * [8.3 自动并行计算](chapter08_computational-performance\u002F8.3_auto-parallelism.md)\n   * [8.4 多GPU计算](chapter08_computational-performance\u002F8.4_multiple-gpus.md)\n* 9\\. 计算机视觉\n   * [9.1 图像增广](chapter09_computer-vision\u002F9.1_image-augmentation.md)\n   * [9.2 微调](chapter09_computer-vision\u002F9.2_fine-tuning.md)\n   * [9.3 目标检测和边界框](chapter09_computer-vision\u002F9.3_bounding-box.md)\n   * [9.4 锚框](chapter09_computer-vision\u002F9.4_anchor.md)\n   * [9.5 多尺度目标检测](chapter09_computer-vision\u002F9.5_multiscale-object-detection.md)\n   * [9.6 目标检测数据集（皮卡丘）](chapter09_computer-vision\u002F9.6_object-detection-dataset.md)\n   - [ ] 9.7 单发多框检测（SSD）\n   * [9.8 区域卷积神经网络（R-CNN）系列](chapter09_computer-vision\u002F9.8_rcnn.md)\n   * [9.9 语义分割和数据集](chapter09_computer-vision\u002F9.9_semantic-segmentation-and-dataset.md)\n   - [ ] 9.10 全卷积网络（FCN）\n   * [9.11 样式迁移](chapter09_computer-vision\u002F9.11_neural-style.md)\n   - [ ] 9.12 实战Kaggle比赛：图像分类（CIFAR-10）\n   - [ ] 9.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）\n* 10\\. 自然语言处理\n   * [10.1 词嵌入（word2vec）](chapter10_natural-language-processing\u002F10.1_word2vec.md)\n   * [10.2 近似训练](chapter10_natural-language-processing\u002F10.2_approx-training.md)\n   * [10.3 word2vec的实现](chapter10_natural-language-processing\u002F10.3_word2vec-pytorch.md)\n   * [10.4 子词嵌入（fastText）](chapter10_natural-language-processing\u002F10.4_fasttext.md)\n   * [10.5 全局向量的词嵌入（GloVe）](chapter10_natural-language-processing\u002F10.5_glove.md)\n   * [10.6 求近义词和类比词](chapter10_natural-language-processing\u002F10.6_similarity-analogy.md)\n   * [10.7 文本情感分类：使用循环神经网络](chapter10_natural-language-processing\u002F10.7_sentiment-analysis-rnn.md)\n   * [10.8 文本情感分类：使用卷积神经网络（textCNN）](chapter10_natural-language-processing\u002F10.8_sentiment-analysis-cnn.md)\n   * [10.9 编码器—解码器（seq2seq）](chapter10_natural-language-processing\u002F10.9_seq2seq.md)\n   * [10.10 束搜索](chapter10_natural-language-processing\u002F10.10_beam-search.md)\n   * [10.11 注意力机制](chapter10_natural-language-processing\u002F10.11_attention.md)\n   * [10.12 机器翻译](chapter10_natural-language-processing\u002F10.12_machine-translation.md)\n\n\n\n持续更新中......\n\n\n\n\n## 原书地址\n中文版：[动手学深度学习](https:\u002F\u002Fzh.d2l.ai\u002F) | [Github仓库](https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-zh)       \nEnglish Version: [Dive into Deep Learning](https:\u002F\u002Fd2l.ai\u002F) | [Github Repo](https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-en)\n\n\n## 引用\n如果您在研究中使用了这个项目请引用原书:\n```\n@book{zhang2019dive,\n    title={Dive into Deep Learning},\n    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},\n    note={\\url{http:\u002F\u002Fwww.d2l.ai}},\n    year={2020}\n}\n```\n","\u003Cdiv align=center>\n\u003Cimg width=\"500\" src=\"img\u002Fcover.png\" alt=\"封面\"\u002F>\n\u003C\u002Fdiv>\n\n[本项目](https:\u002F\u002Ftangshusen.me\u002FDive-into-DL-PyTorch)将[《动手学深度学习》](http:\u002F\u002Fzh.d2l.ai\u002F) 原书中MXNet代码实现改为PyTorch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:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-zh\n\n此书的[中](https:\u002F\u002Fzh.d2l.ai\u002F)[英](https:\u002F\u002Fd2l.ai\u002F)版本存在一些不同，针对此书英文版的PyTorch重构可参考[这个项目](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fd2l-pytorch)。\n这本书的[中文版](https:\u002F\u002Fzh.d2l.ai\u002F)和[英文版](https:\u002F\u002Fd2l.ai\u002F)之间存在一些差异。若需对英文版进行PyTorch重构，可参考[该项目](https:\u002F\u002Fgithub.com\u002Fdsgiitr\u002Fd2l-pytorch)。\n\n\n## 简介\n本仓库主要包含code和docs两个文件夹（外加一些数据存放在data中）。其中code文件夹就是每章相关jupyter notebook代码（基于PyTorch）；docs文件夹就是markdown格式的《动手学深度学习》书中的相关内容，然后利用[docsify](https:\u002F\u002Fdocsify.js.org\u002F#\u002Fzh-cn\u002F)将网页文档部署到GitHub Pages上，由于原书使用的是MXNet框架，所以docs内容可能与原书略有不同，但是整体内容是一样的。欢迎对本项目做出贡献或提出issue。\n\n## 面向人群\n本项目面向对深度学习感兴趣，尤其是想使用PyTorch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。\n\n## 食用方法 \n### 方法一\n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文件夹已经利用[docsify](https:\u002F\u002Fdocsify.js.org\u002F#\u002Fzh-cn\u002F)被部署到了GitHub Pages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](https:\u002F\u002Ftangshusen.me\u002FDive-into-DL-PyTorch)。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。\n\n### 方法二\n你还可以在本地访问文档，先安装`docsify-cli`工具:\n``` shell\nnpm i docsify-cli -g\n```\n然后将本项目clone到本地:\n``` shell\ngit clone https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch.git\ncd Dive-into-DL-PyTorch\n```\n然后运行一个本地服务器，这样就可以很方便的在`http:\u002F\u002Flocalhost:3000`实时访问文档网页渲染效果。\n``` shell\ndocsify serve docs\n```\n\n### 方法三\n如果你不想安装`docsify-cli`工具，甚至你的电脑上都没有安装`Node.js`，而出于某些原因你又想在本地浏览文档，那么你可以在`docker`容器中运行网页服务。\n\n首先将本项目clone到本地:\n``` shell\ngit clone https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch.git\ncd Dive-into-DL-PyTorch\n```\n之后使用如下命令创建一个名称为「d2dl」的`docker`镜像：\n``` shell\ndocker build -t d2dl .\n```\n镜像创建好后，运行如下命令创建一个新的容器：\n``` shell\ndocker run -dp 3000:3000 d2dl\n```\n最后在浏览器中打开这个地址`http:\u002F\u002Flocalhost:3000\u002F#\u002F`，就能愉快地访问文档了。适合那些不想在电脑上装太多工具的小伙伴。\n\n## 目录\n* [简介]()\n* [阅读指南](read_guide.md)\n* [1. 深度学习简介](chapter01_DL-intro\u002Fdeep-learning-intro.md)\n* 2\\. 预备知识\n   * [2.1 环境配置](chapter02_prerequisite\u002F2.1_install.md)\n   * [2.2 数据操作](chapter02_prerequisite\u002F2.2_tensor.md)\n   * [2.3 自动求梯度](chapter02_prerequisite\u002F2.3_autograd.md)\n* 3\\. 深度学习基础\n   * [3.1 线性回归](chapter03_DL-basics\u002F3.1_linear-regression.md)\n   * [3.2 线性回归的从零开始实现](chapter03_DL-basics\u002F3.2_linear-regression-scratch.md)\n   * [3.3 线性回归的简洁实现](chapter03_DL-basics\u002F3.3_linear-regression-pytorch.md)\n   * [3.4 softmax回归](chapter03_DL-basics\u002F3.4_softmax-regression.md)\n   * [3.5 图像分类数据集（Fashion-MNIST）](chapter03_DL-basics\u002F3.5_fashion-mnist.md)\n   * [3.6 softmax回归的从零开始实现](chapter03_DL-basics\u002F3.6_softmax-regression-scratch.md)\n   * [3.7 softmax回归的简洁实现](chapter03_DL-basics\u002F3.7_softmax-regression-pytorch.md)\n   * [3.8 多层感知机](chapter03_DL-basics\u002F3.8_mlp.md)\n   * [3.9 多层感知机的从零开始实现](chapter03_DL-basics\u002F3.9_mlp-scratch.md)\n   * [3.10 多层感知机的简洁实现](chapter03_DL-basics\u002F3.10_mlp-pytorch.md)\n   * [3.11 模型选择、欠拟合和过拟合](chapter03_DL-basics\u002F3.11_underfit-overfit.md)\n   * [3.12 权重衰减](chapter03_DL-basics\u002F3.12_weight-decay.md)\n   * [3.13 丢弃法](chapter03_DL-basics\u002F3.13_dropout.md)\n   * [3.14 正向传播、反向传播和计算图](chapter03_DL-basics\u002F3.14_backprop.md)\n   * [3.15 数值稳定性和模型初始化](chapter03_DL-basics\u002F3.15_numerical-stability-and-init.md)\n   * [3.16 实战Kaggle比赛：房价预测](chapter03_DL-basics\u002F3.16_kaggle-house-price.md)\n* 4\\. 深度学习计算\n   * [4.1 模型构造](chapter04_DL_computation\u002F4.1_model-construction.md)\n   * [4.2 模型参数的访问、初始化和共享](chapter04_DL_computation\u002F4.2_parameters.md)\n   * [4.3 模型参数的延后初始化](chapter04_DL_computation\u002F4.3_deferred-init.md)\n   * [4.4 自定义层](chapter04_DL_computation\u002F4.4_custom-layer.md)\n   * [4.5 读取和存储](chapter04_DL_computation\u002F4.5_read-write.md)\n   * [4.6 GPU计算](chapter04_DL_computation\u002F4.6_use-gpu.md)\n* 5\\. 卷积神经网络\n   * [5.1 二维卷积层](chapter05_CNN\u002F5.1_conv-layer.md)\n   * [5.2 填充和步幅](chapter05_CNN\u002F5.2_padding-and-strides.md)\n   * [5.3 多输入通道和多输出通道](chapter05_CNN\u002F5.3_channels.md)\n   * [5.4 池化层](chapter05_CNN\u002F5.4_pooling.md)\n   * [5.5 卷积神经网络（LeNet）](chapter05_CNN\u002F5.5_lenet.md)\n   * [5.6 深度卷积神经网络（AlexNet）](chapter05_CNN\u002F5.6_alexnet.md)\n   * [5.7 使用重复元素的网络（VGG）](chapter05_CNN\u002F5.7_vgg.md)\n   * [5.8 网络中的网络（NiN）](chapter05_CNN\u002F5.8_nin.md)\n   * [5.9 含并行连结的网络（GoogLeNet）](chapter05_CNN\u002F5.9_googlenet.md)\n   * [5.10 批量归一化](chapter05_CNN\u002F5.10_batch-norm.md)\n   * [5.11 残差网络（ResNet）](chapter05_CNN\u002F5.11_resnet.md)\n   * [5.12 稠密连接网络（DenseNet）](chapter05_CNN\u002F5.12_densenet.md)\n* 6\\. 循环神经网络\n   * [6.1 语言模型](chapter06_RNN\u002F6.1_lang-model.md)\n   * [6.2 循环神经网络](chapter06_RNN\u002F6.2_rnn.md)\n   * [6.3 语言模型数据集（周杰伦专辑歌词）](chapter06_RNN\u002F6.3_lang-model-dataset.md)\n   * [6.4 循环神经网络的从零开始实现](chapter06_RNN\u002F6.4_rnn-scratch.md)\n   * [6.5 循环神经网络的简洁实现](chapter06_RNN\u002F6.5_rnn-pytorch.md)\n   * [6.6 通过时间反向传播](chapter06_RNN\u002F6.6_bptt.md)\n   * [6.7 门控循环单元（GRU）](chapter06_RNN\u002F6.7_gru.md)\n   * [6.8 长短期记忆（LSTM）](chapter06_RNN\u002F6.8_lstm.md)\n   * [6.9 深度循环神经网络](chapter06_RNN\u002F6.9_deep-rnn.md)\n   * [6.10 双向循环神经网络](chapter06_RNN\u002F6.10_bi-rnn.md)\n* 7\\. 优化算法\n   * [7.1 优化与深度学习](chapter07_optimization\u002F7.1_optimization-intro.md)\n   * [7.2 梯度下降和随机梯度下降](chapter07_optimization\u002F7.2_gd-sgd.md)\n   * [7.3 小批量随机梯度下降](chapter07_optimization\u002F7.3_minibatch-sgd.md)\n   * [7.4 动量法](chapter07_optimization\u002F7.4_momentum.md)\n   * [7.5 AdaGrad算法](chapter07_optimization\u002F7.5_adagrad.md)\n   * [7.6 RMSProp算法](chapter07_optimization\u002F7.6_rmsprop.md)\n   * [7.7 AdaDelta算法](chapter07_optimization\u002F7.7_adadelta.md)\n   * [7.8 Adam算法](chapter07_optimization\u002F7.8_adam.md)\n* 8\\. 计算性能\n   * [8.1 命令式和符号式混合编程](chapter08_computational-performance\u002F8.1_hybridize.md)\n   * [8.2 异步计算](chapter08_computational-performance\u002F8.2_async-computation.md)\n   * [8.3 自动并行计算](chapter08_computational-performance\u002F8.3_auto-parallelism.md)\n   * [8.4 多GPU计算](chapter08_computational-performance\u002F8.4_multiple-gpus.md)\n* 9\\. 计算机视觉\n   * [9.1 图像增广](chapter09_computer-vision\u002F9.1_image-augmentation.md)\n   * [9.2 微调](chapter09_computer-vision\u002F9.2_fine-tuning.md)\n   * [9.3 目标检测和边界框](chapter09_computer-vision\u002F9.3_bounding-box.md)\n   * [9.4 锚框](chapter09_computer-vision\u002F9.4_anchor.md)\n   * [9.5 多尺度目标检测](chapter09_computer-vision\u002F9.5_multiscale-object-detection.md)\n   * [9.6 目标检测数据集（皮卡丘）](chapter09_computer-vision\u002F9.6_object-detection-dataset.md)\n   - [ ] 9.7 单发多框检测（SSD）\n   * [9.8 区域卷积神经网络（R-CNN）系列](chapter09_computer-vision\u002F9.8_rcnn.md)\n   * [9.9 语义分割和数据集](chapter09_computer-vision\u002F9.9_semantic-segmentation-and-dataset.md)\n   - [ ] 9.10 全卷积网络（FCN）\n   * [9.11 样式迁移](chapter09_computer-vision\u002F9.11_neural-style.md)\n   - [ ] 9.12 实战Kaggle比赛：图像分类（CIFAR-10）\n   - [ ] 9.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）\n* 10\\. 自然语言处理\n   * [10.1 词嵌入（word2vec）](chapter10_natural-language-processing\u002F10.1_word2vec.md)\n   * [10.2 近似训练](chapter10_natural-language-processing\u002F10.2_approx-training.md)\n   * [10.3 word2vec的实现](chapter10_natural-language-processing\u002F10.3_word2vec-pytorch.md)\n   * [10.4 子词嵌入（fastText）](chapter10_natural-language-processing\u002F10.4_fasttext.md)\n   * [10.5 全局向量的词嵌入（GloVe）](chapter10_natural-language-processing\u002F10.5_glove.md)\n   * [10.6 求近义词和类比词](chapter10_natural-language-processing\u002F10.6_similarity-analogy.md)\n   * [10.7 文本情感分类：使用循环神经网络](chapter10_natural-language-processing\u002F10.7_sentiment-analysis-rnn.md)\n   * [10.8 文本情感分类：使用卷积神经网络（textCNN）](chapter10_natural-language-processing\u002F10.8_sentiment-analysis-cnn.md)\n   * [10.9 编码器—解码器（seq2seq）](chapter10_natural-language-processing\u002F10.9_seq2seq.md)\n   * [10.10 束搜索](chapter10_natural-language-processing\u002F10.10_beam-search.md)\n   * [10.11 注意力机制](chapter10_natural-language-processing\u002F10.11_attention.md)\n   * [10.12 机器翻译](chapter10_natural-language-processing\u002F10.12_machine-translation.md)\n\n\n\n持续更新中......\n\n\n\n\n## 原书地址\n中文版：[动手学深度学习](https:\u002F\u002Fzh.d2l.ai\u002F) | [Github仓库](https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-zh)       \nEnglish Version: [Dive into Deep Learning](https:\u002F\u002Fd2l.ai\u002F) | [Github Repo](https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-en)\n\n\n## 引用\n如果您在研究中使用了这个项目请引用原书:\n```\n@book{zhang2019dive,\n    title={Dive into Deep Learning},\n    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},\n    note={\\url{http:\u002F\u002Fwww.d2l.ai}},\n    year={2020}\n}\n```","# Dive-into-DL-PyTorch 快速上手指南\n\n本指南基于《动手学深度学习》原书内容，将其中的 MXNet 代码重构为 PyTorch 实现，旨在帮助开发者使用 PyTorch 框架学习深度学习。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python**：建议版本 3.6+\n*   **核心依赖**：\n    *   `PyTorch` (深度学习框架)\n    *   `Jupyter Notebook` (用于运行代码示例)\n    *   `NumPy`, `Matplotlib` 等科学计算库\n*   **文档查看工具（可选）**：\n    *   `Node.js` 和 `npm` (用于本地部署文档)\n    *   或者 `Docker` (用于容器化部署文档)\n\n> **提示**：如果您尚未安装 PyTorch，请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取适合您环境的安装命令。国内用户可使用清华源加速安装：\n> ```bash\n> pip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n### 1. 获取项目代码\n\n使用 Git 将项目克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch.git\ncd Dive-into-DL-PyTorch\n```\n\n### 2. 安装 Python 依赖\n\n在项目根目录下，安装运行代码所需的 Python 包（建议创建虚拟环境）：\n\n```bash\npip install -r requirements.txt\n```\n*(注：若项目中无 requirements.txt 文件，请手动安装 `jupyter`, `numpy`, `matplotlib`, `torch` 等基础库)*\n\n### 3. 配置文档查看环境（任选其一）\n\n如果您希望在本地浏览完整的教程文档，可选择以下一种方式：\n\n**方式 A：使用 docsify-cli (需 Node.js)**\n```bash\nnpm i docsify-cli -g\ndocsify serve docs\n```\n启动后访问 `http:\u002F\u002Flocalhost:3000` 即可。\n\n**方式 B：使用 Docker (无需安装 Node.js)**\n```bash\ndocker build -t d2dl .\ndocker run -dp 3000:3000 d2dl\n```\n启动后访问 `http:\u002F\u002Flocalhost:3000\u002F#\u002F` 即可。\n\n> **简便替代方案**：若不想配置本地文档环境，可直接访问项目在线网页版：[https:\u002F\u002Ftangshusen.me\u002FDive-into-DL-PyTorch](https:\u002F\u002Ftangshusen.me\u002FDive-into-DL-PyTorch)\n\n## 基本使用\n\n本项目主要由 `code` (代码) 和 `docs` (文档) 两部分组成。\n\n### 运行代码示例\n\n所有章节的代码均位于 `code` 文件夹下的 Jupyter Notebook 文件中。\n\n1.  启动 Jupyter Notebook：\n    ```bash\n    jupyter notebook\n    ```\n2.  在浏览器打开的界面中，进入 `code` 目录。\n3.  选择对应的章节笔记进行学习和运行。例如，学习线性回归可打开：\n    *   `chapter03_DL-basics\u002F3.2_linear-regression-scratch.ipynb` (从零实现)\n    *   `chapter03_DL-basics\u002F3.3_linear-regression-pytorch.ipynb` (简洁实现)\n\n### 学习路径建议\n\n1.  **预备知识**：先阅读第 2 章，熟悉 PyTorch 的 Tensor 操作和自动求导机制。\n2.  **基础理论**：按顺序学习第 3 章（深度学习基础），涵盖回归、分类及多层感知机。\n3.  **进阶模型**：依次学习卷积神经网络 (CNN)、循环神经网络 (RNN) 及优化算法。\n4.  **实战应用**：参考第 9 章和第 10 章进行计算机视觉和自然语言处理的实战练习。\n\n您可以结合在线文档阅读理论，同时在本地 Notebook 中修改并运行代码以加深理解。","计算机专业大三学生李明正在准备深度学习课程的大作业，他需要快速掌握卷积神经网络（CNN）的原理并复现图像分类模型，但手头只有基于 MXNet 框架的经典教材《动手学深度学习》。\n\n### 没有 Dive-into-DL-PyTorch 时\n- **框架转换困难**：教材代码全是 MXNet 写法，而实验室服务器和主流社区资源均基于 PyTorch，李明需手动逐行翻译代码，极易出错。\n- **环境配置混乱**：为了运行原书代码，不得不额外安装冷门的 MXNet 环境，导致与现有的 PyTorch 项目依赖冲突，调试耗时巨大。\n- **理论实践脱节**：在理解反向传播或自定义层等复杂概念时，无法直接运行对应的 PyTorch 示例进行验证，只能靠空想推导，学习曲线陡峭。\n- **资源查找低效**：遇到报错时，无法直接将教材代码片段放入 PyTorch 社区搜索解决方案，因为语法体系完全不同，排查问题如大海捞针。\n\n### 使用 Dive-into-DL-PyTorch 后\n- **代码无缝衔接**：直接获取书中所有章节的 PyTorch 原生实现，李明可立即在现有环境中运行线性回归、Softmax 及 CNN 等核心算法，无需手动转译。\n- **环境统一高效**：无需安装额外的 MXNet，完全复用现有的 PyTorch 开发栈，通过 Jupyter Notebook 即可边看文档边跑代码，环境零冲突。\n- **即时验证原理**：针对“多输入通道”或“丢弃法”等难点，直接修改提供的 PyTorch 代码参数观察输出变化，将抽象数学公式转化为直观的张量运算结果。\n- **调试事半功倍**：遇到的任何报错均可直接在 PyTorch 生态中检索，且代码结构与主流开源项目一致，快速定位并解决了模型不收敛的问题。\n\nDive-into-DL-PyTorch 消除了经典教材与现代主流框架之间的语言隔阂，让学习者能专注于算法逻辑本身而非繁琐的代码移植。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShusenTang_Dive-into-DL-PyTorch_3efea94f.png","ShusenTang",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FShusenTang_971fc9e5.png","Graduate student majoring in the Computer Science at School of EE & CS, Peking University.","WICT(http:\u002F\u002Fwww.wict.pku.edu.cn\u002F)","Peking University, China","tangshusen@pku.edu.cn","tangshusen.me","https:\u002F\u002Fgithub.com\u002FShusenTang",[83,87,91],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",99.1,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0.9,{"name":92,"color":93,"percentage":94},"Dockerfile","#384d54",0,19361,5413,"2026-04-17T08:33:22","Apache-2.0","未说明","非必需（书中包含 GPU 计算章节，但基础学习可在 CPU 运行），具体型号及 CUDA 版本未说明",{"notes":102,"python":99,"dependencies":103},"本项目是《动手学深度学习》的 PyTorch 实现版本。主要运行内容为 Jupyter Notebook 代码。若需本地浏览文档，可选择安装 Node.js 和 docsify-cli，或使用 Docker 容器运行网页服务。书中部分章节涉及 GPU 加速和多 GPU 计算，建议有相关硬件以获得完整体验，但未强制要求。",[104,105,106],"PyTorch","docsify-cli (可选，用于本地文档服务)","Docker (可选，用于容器化部署)",[15,14,35],[109,110,111,112,113,114,115],"deep-learning","deep-learning-tutorial","pytorch","pytorch-tutorial","computer-vision","natural-language-processing","d2l","2026-03-27T02:49:30.150509","2026-04-18T02:20:45.055502",[],[]]