本项目将《动手学深度学习》 原书中MXNet代码实现改为TensorFlow2实现。经过archersama的导师咨询李沐老师，这个项目的实施已得到李沐老师的同意。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

此书的中、英版本存在一些不同，本项目主要针对此书的中文版进行TensorFlow2重构。另外，本项目也参考了对此书中文版进行PyTorch重构的项目Dive-into-DL-PyTorch，在此表示感谢。

现已更新到十章，持续更新中。。。

项目已被机器之心等多家公众号报导，并且受到原作者李沐的认可

简介

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TensorFlow2）；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。

面向人群

本项目面向对深度学习感兴趣，尤其是想使用TensorFlow2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

方法一

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。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。

方法二

你还可以在本地访问文档，先安装docsify-cli工具:

npm i docsify-cli -g

然后将本项目clone到本地:

git clone https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0
cd Dive-into-DL-TensorFlow2.0

然后运行一个本地服务器，这样就可以很方便的在http://localhost:3000实时访问文档网页渲染效果。

docsify serve docs

Contributors ✨

这个项目的发起人及主要贡献者如下

archersama 💻(leader)

TrickyGo 💻

SwordFaith 💻

ShusenTang 💻

LIANGQINGYUAN 💻

目录

• 简介
• 阅读指南
• 1. 深度学习简介
• 2. 预备知识
  • 2.1 环境配置
  • 2.2 数据操作
  • 2.3 自动求梯度
  • 2.4 查阅文档
• 3. 深度学习基础
  • 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
  • 3.8 多层感知机
  • 3.9 多层感知机的从零开始实现
  • 3.10 多层感知机的简洁实现
  • 3.11 模型选择、欠拟合和过拟合
  • 3.12 权重衰减
  • 3.13 丢弃法
  • 3.14 正向传播、反向传播和计算图
  • 3.15 数值稳定性和模型初始化
  • 3.16 实战Kaggle比赛：房价预测
• 4. 深度学习计算
  • 4.1 模型构造
  • 4.2 模型参数的访问、初始化和共享
  • 4.3 模型参数的延后初始化
  • 4.4 自定义层
  • 4.5 读取和存储
  • 4.6 GPU计算
• 5. 卷积神经网络
  • 5.1 二维卷积层
  • 5.2 填充和步幅
  • 5.3 多输入通道和多输出通道
  • 5.4 池化层
  • 5.5 卷积神经网络（LeNet）
  • 5.6 深度卷积神经网络（AlexNet）
  • 5.7 使用重复元素的网络（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）
• 6. 循环神经网络
  • 6.1 语言模型
  • 6.2 循环神经网络
  • 6.3 语言模型数据集（周杰伦专辑歌词）
  • 6.4 循环神经网络的从零开始实现
  • 6.5 循环神经网络的简洁实现
  • 6.6 通过时间反向传播
  • 6.7 门控循环单元（GRU）
  • 6.8 长短期记忆（LSTM）
  • 6.9 深度循环神经网络
  • 6.10 双向循环神经网络
• 7. 优化算法
  • 7.1 优化与深度学习
  • 7.2 梯度下降和随机梯度下降
  • 7.3 小批量随机梯度下降
  • 7.4 动量法
  • 7.5 AdaGrad算法
  • 7.6 RMSProp算法
  • 7.7 AdaDelta算法
  • 7.8 Adam算法
• 8. 计算性能
  • 8.1 命令式和符号式混合编程
  • 8.2 异步计算
  • 8.3 自动并行计算
  • 8.4 多GPU计算
• 9. 计算机视觉
  • 9.1 图像增广
  • 9.2 微调
  • 9.3 目标检测和边界框
  • 9.4 锚框
  • 9.5 多尺度目标检测
  • 9.6 目标检测数据集（皮卡丘）
  • 9.8 区域卷积神经网络（R-CNN）系列
  • 9.9 语义分割和数据集
  • 9.10 全卷积网络（FCN）
  • 9.11 样式迁移
  • 9.12 实战Kaggle比赛：图像分类（CIFAR-10）
  • 9.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs)
• 10. 自然语言处理
  • 10.1 词嵌入（word2vec）
  • 10.2 近似训练
  • 10.3 word2vec的实现
  • 10.4 子词嵌入（fastText）
  • 10.5 全局向量的词嵌入（GloVe）
  • 10.6 求近义词和类比词
  • 10.7 文本情感分类：使用循环神经网络
  • 10.8 文本情感分类：使用卷积神经网络（textCNN）
  • 10.9 编码器—解码器（seq2seq）
  • 10.10 束搜索
  • 10.11 注意力机制
  • 10.12 机器翻译
• 11. 附录
  • 11.1 主要符号一览
  • 11.2 数学基础
  • 11.3 使用Jupyter记事本
  • 11.4 使用AWS运行代码
  • 11.5 GPU购买指南

持续更新中......

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={动手学深度学习},
    author={Aston Zhang、Zachary C. Lipton、Mu Li、Alexander J. Smola},
    note={\url{http://www.d2l.ai}},
    year={2019}
}

Dive-into-DL-TensorFlow2.0 快速上手指南

本项目将经典教材《动手学深度学习》中的代码从 MXNet 重构为 TensorFlow 2.0 实现，适合希望使用 TensorFlow 学习深度开发的开发者。

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：Windows, macOS 或 Linux
• Python 版本：建议 Python 3.6 - 3.8
• 前置依赖：
  • TensorFlow 2.x
  • Jupyter Notebook (用于运行代码示例)
  • Git (用于克隆项目)
  • Node.js 和 npm (可选，仅当需要在本地部署文档网站时)

提示：国内用户建议使用清华源或阿里源加速 Python 包的安装。

安装步骤

1. 克隆项目代码

打开终端（Terminal 或 CMD），执行以下命令将项目克隆到本地：

git clone https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0
cd Dive-into-DL-TensorFlow2.0

2. 安装 Python 依赖

进入项目目录后，安装运行代码所需的 Python 库。推荐使用国内镜像源加速：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注：若项目中无 requirements.txt 文件，请直接安装核心依赖：

pip install tensorflow jupyter matplotlib pandas numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

3. (可选) 本地部署文档

如果您希望在本地浏览器中查看带有公式渲染的完整文档，需安装 docsify 工具：

# 安装 docsify-cli
npm i docsify-cli -g

# 启动本地服务器
docsify serve docs

启动成功后，访问 http://localhost:3000 即可浏览文档。

基本使用

本项目核心内容位于 code 文件夹，每一章对应一个或多个 Jupyter Notebook 文件。

启动 Jupyter Notebook

在项目根目录下运行：

jupyter notebook

浏览器会自动打开界面，导航至 code 文件夹，选择任意章节的 .ipynb 文件（例如 chapter03_DL-basics 中的线性回归示例）即可开始学习。

代码运行示例

以下是一个基于 TensorFlow 2.0 的简单张量操作示例（对应书中“数据操作”章节）：

import tensorflow as tf

# 创建一个向量
x = tf.constant([1, 2, 3])
y = tf.constant([4, 5, 6])

# 元素级加法
print("Addition:", x + y)

# 矩阵乘法
a = tf.reshape(x, (3, 1))
b = tf.reshape(y, (1, 3))
print("Matrix Multiplication:\n", tf.matmul(a, b))

您可以直接在 Notebook 单元格中修改并运行上述代码，观察输出结果，从而快速上手 TensorFlow 2.0 的基础操作。