深度学习教程中文版

深度学习教程中文版

这是一个翻译自深度学习0.1文档的中文教程。在这个教程里面所有的算法和模型都是通过Pyhton和Theano实现的。Theano是一个著名的第三方库，允许程序员使用GPU或者CPU去运行他的Python代码。

内容/Contents

• 入门（Getting Started）
• 使用逻辑回归进行MNIST分类(Classifying MNIST digits using Logistic Regression)
• 多层感知机（Multilayer Perceptron）
• 卷积神经网络（Convolutional Neural Networks(LeNet)）
• 降噪自动编码机器（Denoising Autoencoders(dA)）
• 层叠自动编码机(Stcaked Denoising Autoencoders(SdA))
• 受限波尔兹曼机（Restricted Boltzmann Machines(RBM)）
• 深度信念网络
• 混合蒙特卡洛采样
• 带词嵌入的循环神经网络
• 使用RNN-RBM建模并生成复调音乐序列
• 其他

版权/Copyright

作者/Author

Theano开发团队, 蒙特利尔大学LISA实验室

翻译者/Translator

Lifeng Hua, 浙江大学

DeepLearningTutorial 快速上手指南

本教程是 DeepLearning 0.1 文档 的中文翻译版，旨在通过 Python 和 Theano 框架帮助开发者理解深度学习核心算法。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐), macOS, 或 Windows (需配置 WSL 或 Cygwin)
• Python 版本：Python 2.7 或 Python 3.4+ (注意：Theano 已停止维护，建议在虚拟环境中运行)
• 核心依赖：
  • Theano：用于数值计算和 GPU 加速的核心库
  • NumPy：科学计算基础库
  • SciPy：科学计算库
  • PIL / Pillow：图像处理库（部分示例需要）
• 硬件加速（可选）：若需使用 GPU 加速，需安装对应的 CUDA 工具包及 cuDNN。

国内加速建议： 安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度。

安装步骤

1. 克隆项目代码

首先从 GitHub 获取教程源码：

git clone https://github.com/Syndrome777/DeepLearningTutorial.git
cd DeepLearningTutorial

2. 安装依赖库

建议使用 pip 配合国内镜像源安装所需库。

使用清华镜像源安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple theano numpy scipy pillow

验证 Theano 安装： 在 Python 交互环境中运行以下命令，确认无报错且能识别后端（CPU/GPU）：

import theano
theano.test()

基本使用

本教程按难度递进，每个章节对应一个独立的 Markdown 文件和代码示例。以下以逻辑回归分类 MNIST 数据集为例，演示如何运行第一个实战模型。

1. 查看教程文档

进入项目目录后，可阅读对应的中文文档了解原理：

• 文档路径：2_Classifying_MNIST_using_LR_逻辑回归进行 MNIST 分类.md

2. 运行示例代码

通常每个章节目录下包含对应的 .py 脚本。假设当前目录下存在 logistic_sgd.py（具体文件名请以实际章节文件夹为准），直接运行即可：

python logistic_sgd.py

预期输出： 程序将自动下载 MNIST 数据集（首次运行可能需要几分钟），开始训练逻辑回归模型，并在终端输出训练轮次（epoch）、耗时及测试集准确率。

...
Optimization complete.
Best validation score of 0.086000 obtained at iteration 1050
Test score of 0.079000

3. 进阶学习

完成基础示例后，可按顺序挑战更复杂的模型：

• 多层感知机：运行 3_Multilayer_Perceptron 相关脚本
• 卷积神经网络 (LeNet)：运行 4_Convoltional_Neural_Networks 相关脚本
• 自动编码器与 RBM：参考后续章节脚本

提示：所有算法均基于 Theano 构建，支持通过修改配置文件或环境变量切换 CPU/GPU 运行模式。