[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-TrickyGo--Dive-into-DL-TensorFlow2.0":3,"tool-TrickyGo--Dive-into-DL-TensorFlow2.0":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":32,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":108,"github_topics":109,"view_count":32,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":120,"updated_at":121,"faqs":122,"releases":163},6040,"TrickyGo\u002FDive-into-DL-TensorFlow2.0","Dive-into-DL-TensorFlow2.0","本项目将《动手学深度学习》(Dive into Deep Learning)原书中的MXNet实现改为TensorFlow 2.0实现，项目已得到李沐老师的认可","Dive-into-DL-TensorFlow2.0 是一个将经典开源教材《动手学深度学习》中的代码实现从 MXNet 框架迁移至 TensorFlow 2.0 的开源项目。该项目已获得原书作者李沐老师的正式认可，旨在帮助习惯使用 TensorFlow 生态的学习者无障碍地掌握深度学习核心知识。\n\n长期以来，《动手学深度学习》虽内容详尽，但原版代码基于 MXNet，导致大量熟悉 TensorFlow 的开发者在实践时面临框架转换的门槛。Dive-into-DL-TensorFlow2.0 完美解决了这一痛点，它完整保留了原书的理论体系与教学逻辑，同时将所有案例代码重构为更符合当前工业界标准的 TensorFlow 2.0 版本，并支持 Jupyter Notebook 交互式运行。\n\n本项目特别适合具备基础数学与 Python 编程能力、希望系统学习深度学习的学生、开发者及研究人员。无论你是零基础入门，还是寻求从理论到实战的进阶，都能通过该项目顺畅地利用 TensorFlow 进行模型构建与实验。此外，项目不仅提供了完整的代码库，还利用 Docsify 搭建了精美的在线文档网站，支持公","Dive-into-DL-TensorFlow2.0 是一个将经典开源教材《动手学深度学习》中的代码实现从 MXNet 框架迁移至 TensorFlow 2.0 的开源项目。该项目已获得原书作者李沐老师的正式认可，旨在帮助习惯使用 TensorFlow 生态的学习者无障碍地掌握深度学习核心知识。\n\n长期以来，《动手学深度学习》虽内容详尽，但原版代码基于 MXNet，导致大量熟悉 TensorFlow 的开发者在实践时面临框架转换的门槛。Dive-into-DL-TensorFlow2.0 完美解决了这一痛点，它完整保留了原书的理论体系与教学逻辑，同时将所有案例代码重构为更符合当前工业界标准的 TensorFlow 2.0 版本，并支持 Jupyter Notebook 交互式运行。\n\n本项目特别适合具备基础数学与 Python 编程能力、希望系统学习深度学习的学生、开发者及研究人员。无论你是零基础入门，还是寻求从理论到实战的进阶，都能通过该项目顺畅地利用 TensorFlow 进行模型构建与实验。此外，项目不仅提供了完整的代码库，还利用 Docsify 搭建了精美的在线文档网站，支持公式渲染与实时预览，极大提升了阅读与学习效率。作为社区驱动的优质资源，它持续更新章节内容，是连接深度学习理论与 TensorFlow 工程实践的理想桥梁。","\u003Cdiv align=center>\n\u003Cimg width=\"700\" src=\"img\u002Fcover.png\" alt=\"封面\"\u002F>\n\u003C\u002Fdiv>\n\n[本项目](https:\u002F\u002FTrickyGo.github.io\u002FDive-into-DL-TensorFlow2)将[《动手学深度学习》](http:\u002F\u002Fzh.d2l.ai\u002F) 原书中MXNet代码实现改为TensorFlow2实现。经过[archersama](https:\u002F\u002Fgithub.com\u002Farchersama)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:\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，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](https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch)，在此表示感谢。\n\n**现已更新到十章，持续更新中。。。**\n\n## 项目已被机器之心等多家公众号[报导](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F96932594)，并且受到原作者李沐的[认可](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F51)\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](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。\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\u002FTrickyGo.github.io\u002FDive-into-DL-TensorFlow2.0)**。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\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\ncd Dive-into-DL-TensorFlow2.0\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## Contributors ✨\n### 这个项目的发起人及主要贡献者如下\n\n\n\u003C!-- ALL-CONTRIBUTORS-LIST:START - Do not remove or modify this section -->\n\u003C!-- prettier-ignore-start -->\n\u003C!-- markdownlint-disable -->\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Farchersama\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_9a1d5176f78f.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>archersama\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003C\u002Fa> \u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=archersama\" title=\"Code\">💻(leader)\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_558984d7dabb.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>TrickyGo\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=TrickyGo\" title=\"Code\">💻\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fswordfaith.github.io\u002F\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_678fbaf7a49e.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>SwordFaith\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=SwordFaith\" title=\"Code\">💻\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FShusenTang\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_971fc9e5a1f6.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>ShusenTang\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=ShusenTang\" title=\"Code\">💻\u003C\u002Fa>\u003C\u002Ftd>\n     \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FLIANGQINGYUAN\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_759a490e77e0.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>LIANGQINGYUAN\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=LIANGQINGYUAN\" title=\"Code\">💻\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003C!-- markdownlint-enable -->\n\u003C!-- prettier-ignore-end -->\n\u003C!-- ALL-CONTRIBUTORS-LIST:END -->\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   * [2.4 查阅文档](chapter02_prerequisite\u002F2.4_document.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-tensorflow2.0.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-tensorflow2.0.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-tensorflow2.0.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](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter06_RNN\u002F6.5_rnn-keras.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   * [9.8 区域卷积神经网络（R-CNN）系列](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9.8_rcnn.md)\n   * [9.9 语义分割和数据集](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9.9_semantic-segmentation-and-dataset.md)\n   * [9.10 全卷积网络（FCN）](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9_10_fcn.md)\n   * [9.11 样式迁移](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9_11_neural_style.md)\n   * [9.12 实战Kaggle比赛：图像分类（CIFAR-10）](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9_12_kaggle_cifar10.md)\n   * [9.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs)](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9_13_kaggle_dog.md)\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-tensorflow2.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* 11\\. 附录\n   * [11.1 主要符号一览](chapter11_appendix\u002F11.1_notation.md)\n   * [11.2 数学基础](chapter11_appendix\u002F11.2_math.md)\n   * [11.3 使用Jupyter记事本](chapter11_appendix\u002F11.3_jupyter.md)\n   * [11.4 使用AWS运行代码](chapter11_appendix\u002F11.4_aws.md)\n   * [11.5 GPU购买指南](chapter11_appendix\u002F11.5_buy-gpu.md)\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={2019}\n}\n```\n","\u003Cdiv align=center>\n\u003Cimg width=\"700\" src=\"img\u002Fcover.png\" alt=\"封面\"\u002F>\n\u003C\u002Fdiv>\n\n[本项目](https:\u002F\u002FTrickyGo.github.io\u002FDive-into-DL-TensorFlow2)将[《动手学深度学习》](http:\u002F\u002Fzh.d2l.ai\u002F) 原书中MXNet代码实现改为TensorFlow2实现。经过[archersama](https:\u002F\u002Fgithub.com\u002Farchersama)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:\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，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](https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDive-into-DL-PyTorch)，在此表示感谢。\n\n**现已更新到十章，持续更新中。。。**\n\n## 项目已被机器之心等多家公众号[报导](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F96932594)，并且受到原作者李沐的[认可](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F51)\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](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。\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\u002FTrickyGo.github.io\u002FDive-into-DL-TensorFlow2.0)**。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\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\ncd Dive-into-DL-TensorFlow2.0\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## Contributors ✨\n### 这个项目的发起人及主要贡献者如下\n\n\n\u003C!-- ALL-CONTRIBUTORS-LIST:START - Do not remove or modify this section -->\n\u003C!-- prettier-ignore-start -->\n\u003C!-- markdownlint-disable -->\n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Farchersama\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_9a1d5176f78f.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>archersama\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003C\u002Fa> \u003C\u002Fa> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=archersama\" title=\"Code\">💻(leader)\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_558984d7dabb.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>TrickyGo\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=TrickyGo\" title=\"Code\">💻\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fswordfaith.github.io\u002F\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_678fbaf7a49e.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>SwordFaith\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=SwordFaith\" title=\"Code\">💻\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FShusenTang\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_971fc9e5a1f6.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>ShusenTang\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=ShusenTang\" title=\"Code\">💻\u003C\u002Fa>\u003C\u002Ftd>\n     \u003Ctd align=\"center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FLIANGQINGYUAN\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_readme_759a490e77e0.png\" width=\"150px;\" alt=\"\"\u002F>\u003Cbr \u002F>\u003Csub>\u003Cb>LIANGQINGYUAN\u003C\u002Fb>\u003C\u002Fsub>\u003C\u002Fa>\u003Cbr \u002F>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fcommits?author=LIANGQINGYUAN\" title=\"Code\">💻\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\u003C!-- markdownlint-enable -->\n\u003C!-- prettier-ignore-end -->\n\u003C!-- ALL-CONTRIBUTORS-LIST:END -->\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   * [2.4 查阅文档](chapter02_prerequisite\u002F2.4_document.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-tensorflow2.0.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-tensorflow2.0.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-tensorflow2.0.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](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter06_RNN\u002F6.5_rnn-keras.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   * [9.8 区域卷积神经网络（R-CNN）系列](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9.8_rcnn.md)\n   * [9.9 语义分割和数据集](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9.9_semantic-segmentation-and-dataset.md)\n   * [9.10 全卷积网络（FCN）](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9_10_fcn.md)\n   * [9.11 样式迁移](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9_11_neural_style.md)\n   * [9.12 实战Kaggle比赛：图像分类（CIFAR-10）](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9_12_kaggle_cifar10.md)\n   * [9.13 实战Kaggle比赛：狗的品种识别（ImageNet Dogs)](https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fblob\u002Fmaster\u002Fdocs\u002Fchapter09_computer-vision\u002F9_13_kaggle_dog.md)\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-tensorflow2.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* 11\\. 附录\n   * [11.1 主要符号一览](chapter11_appendix\u002F11.1_notation.md)\n   * [11.2 数学基础](chapter11_appendix\u002F11.2_math.md)\n   * [11.3 使用Jupyter记事本](chapter11_appendix\u002F11.3_jupyter.md)\n   * [11.4 使用AWS运行代码](chapter11_appendix\u002F11.4_aws.md)\n   * [11.5 GPU购买指南](chapter11_appendix\u002F11.5_buy-gpu.md)\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## 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={动手学深度学习},\n    author={Aston Zhang、Zachary C. Lipton、Mu Li、Alexander J. Smola},\n    note={\\url{http:\u002F\u002Fwww.d2l.ai}},\n    year={2019}\n}\n```","# Dive-into-DL-TensorFlow2.0 快速上手指南\n\n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。\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**：Windows, macOS 或 Linux\n*   **Python 版本**：建议 Python 3.6 - 3.8\n*   **前置依赖**：\n    *   `TensorFlow 2.x`\n    *   `Jupyter Notebook` (用于运行代码示例)\n    *   `Git` (用于克隆项目)\n    *   `Node.js` 和 `npm` (可选，仅当需要在本地部署文档网站时)\n\n> **提示**：国内用户建议使用清华源或阿里源加速 Python 包的安装。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n打开终端（Terminal 或 CMD），执行以下命令将项目克隆到本地：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\ncd Dive-into-DL-TensorFlow2.0\n```\n\n### 2. 安装 Python 依赖\n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：\n\n```shell\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注：若项目中无 `requirements.txt` 文件，请直接安装核心依赖：*\n```shell\npip install tensorflow jupyter matplotlib pandas numpy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. (可选) 本地部署文档\n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：\n\n```shell\n# 安装 docsify-cli\nnpm i docsify-cli -g\n\n# 启动本地服务器\ndocsify serve docs\n```\n启动成功后，访问 `http:\u002F\u002Flocalhost:3000` 即可浏览文档。\n\n## 基本使用\n\n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。\n\n### 启动 Jupyter Notebook\n在项目根目录下运行：\n\n```shell\njupyter notebook\n```\n\n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。\n\n### 代码运行示例\n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）：\n\n```python\nimport tensorflow as tf\n\n# 创建一个向量\nx = tf.constant([1, 2, 3])\ny = tf.constant([4, 5, 6])\n\n# 元素级加法\nprint(\"Addition:\", x + y)\n\n# 矩阵乘法\na = tf.reshape(x, (3, 1))\nb = tf.reshape(y, (1, 3))\nprint(\"Matrix Multiplication:\\n\", tf.matmul(a, b))\n```\n\n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。","某高校计算机专业研究生小王，计划基于经典教材《动手学深度学习》复现图像分类模型，但他所在的实验室主要技术栈为 TensorFlow 2.0，而原书代码基于 MXNet。\n\n### 没有 Dive-into-DL-TensorFlow2.0 时\n- **框架转换成本高**：小王需要手动将书中的 MXNet 代码逐行“翻译”成 TensorFlow 2.0 语法，极易在张量维度变换或自动求导机制上出错。\n- **理论代码脱节**：阅读纸质书或网页版理论时，无法直接运行对应的 TF2 代码验证，导致理解梯度下降等抽象概念时缺乏直观反馈。\n- **环境配置繁琐**：自行摸索 TensorFlow 2.0 的环境搭建与数据加载流程，耗费大量时间在调试报错上，而非算法本身。\n- **学习资源割裂**：需要在原书文档、TensorFlow 官方 API 文档和零散的社区博客间反复切换，知识体系难以串联。\n\n### 使用 Dive-into-DL-TensorFlow2.0 后\n- **代码即插即用**：直接获取与书中章节完全对应的 TensorFlow 2.0 Notebook 代码，无需手动转译，确保逻辑与原书理论严格一致。\n- **理论与实践同步**：结合部署好的在线文档，边读理论边在本地运行 TF2 代码，通过修改参数实时观察模型训练效果，深化对反向传播的理解。\n- **开箱即用环境**：参考项目中提供的标准环境配置指南，快速搭建好包含数据预处理在内的完整开发环境，显著降低入门门槛。\n- **一站式学习体验**：在一个仓库中即可获取从数学基础到复杂网络架构的完整 TF2 实现，无需跨平台查找资料，学习路径清晰流畅。\n\nDive-into-DL-TensorFlow2.0 成功消除了框架差异带来的学习壁垒，让开发者能专注于深度学习算法核心，而非陷入代码迁移的泥潭。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTrickyGo_Dive-into-DL-TensorFlow2.0_a23a5f23.png","TrickyGo","Tricky","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTrickyGo_558984d7.jpg","a Ph.D. candidate at Peking University.\r\n\r\n","WICT(http:\u002F\u002Fwww.wict.pku.edu.cn\u002F)","Peking University, China","598747822@qq.com",null,"https:\u002F\u002Ftrickygo.github.io\u002F","https:\u002F\u002Fgithub.com\u002FTrickyGo",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",99.6,{"name":89,"color":90,"percentage":91},"Python","#3572A5",0.4,3833,820,"2026-04-09T00:53:21","Apache-2.0","Linux, macOS, Windows","非必需（支持 CPU 运行），若使用 GPU 需 NVIDIA 显卡并配置 CUDA（具体版本未说明，章节 4.6 提及 GPU 计算）","未说明",{"notes":100,"python":101,"dependencies":102},"本项目是《动手学深度学习》的 TensorFlow 2.0 实现版。代码主要位于 code 文件夹下的 Jupyter Notebook 中。文档可通过 GitHub Pages 在线查看，或使用 docsify-cli 在本地搭建服务器查看。环境配置细节请参考书中第 2.1 节。","3.x (基础 Python 编程要求，具体小版本未说明)",[103,104,105,106,107],"tensorflow>=2.0","jupyter","docsify-cli","numpy","matplotlib",[15,35,14],[110,111,112,113,114,115,116,117,118,119],"deep-learning","python3","dive-into-deep-learning","tensorflow2","jupyter-notebook","nlp","cv","tutorials","chinese-simplified","book","2026-03-27T02:49:30.150509","2026-04-10T07:45:00.630028",[123,128,133,138,143,148,153,158],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},27358,"在哪里可以下载或找到 d2lzh_tensorflow2 包？","该包并未发布到 PyPI，而是直接包含在项目的 code 目录下。您需要访问 GitHub 仓库的 code\u002Fd2lzh_tensorflow2 目录，将其下载并放置在与您的代码相同的目录层级中即可使用。","https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F63",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},27359,"在使用稀疏分类交叉熵损失函数时，为什么训练结果不正确或出现乱码？","这是因为在计算输出时未使用 softmax 激活函数，因此需要在损失函数 tf.losses.sparse_categorical_crossentropy 中指定参数 from_logits=True。正确的代码应为：l = tf.reduce_mean(tf.losses.sparse_categorical_crossentropy(y, outputs, from_logits=True))。","https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F64",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},27360,"如何在读取小批量数据时正确进行像素标准化（除以 255）？","建议使用 tf.data.Dataset 的 map 函数来进行映射处理。定义一个转换函数 data_trans(x, y)，在其中将 x 转换为 float32 类型并除以 255，然后返回 x 和 y。最后通过 .map(data_trans).batch(256) 构建迭代器。示例代码：\ndef data_trans(x, y):\n    x = tf.cast(x, tf.float32)\n    x = x \u002F 255\n    return x, y\ntrain_iter = tf.data.Dataset.from_tensor_slices((x_train, y_train)).map(data_trans).batch(256)","https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F30",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},27361,"文档中提到的 Fashion-MNIST 数据集是彩色图像还是灰度图像？","实际上是灰度图像（单通道）。文档中如果显示为彩色或提到多通道，通常是为了可视化效果增强了对比度，或者是文档表述有误。该数据集本质上是二维数组存储的灰度图。","https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F17",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},27362,"遇到 IndentationError: expected an indented block 错误怎么办？","这通常是由于 Jupyter Notebook (.ipynb) 文件中的代码块缩进不规范导致的。请检查报错行及其上一行的缩进情况，确保代码块内部有正确的缩进。维护者已针对此类问题在代码库中进行了修复，建议拉取最新代码或手动修正缩进。","https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F27",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},27363,"文档中提到 tf.add 有 out 参数可以避免临时内存开销，这是真的吗？","不是真的，这是一个文档错误。TensorFlow 的 tf.add 函数并没有 out 参数。原文中关于“使用运算符全名函数中的 out 参数来避免临时内存开销”的描述未随代码框架变更而更新，请以实际代码为准，忽略该文本描述。","https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F26",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},27364,"如何获取项目中缺失的 code 目录及相关工具代码？","如果本地项目文件中缺少 code 目录，请访问 GitHub 仓库的以下地址：https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Ftree\u002Fmaster\u002Fcode\u002Fd2lzh_tensorflow2。下载该目录下的内容，并将其放到与您运行的代码同一级目录中即可解决导入缺失的问题。","https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F76",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},27365,"是否有社区贡献的 TensorFlow 版本 Colab 笔记本网址？","有的，社区用户已将部分章节改写为 TensorFlow 版本并分享了 Colab 地址。例如 9.4 锚框、9.13 以及 9.11 样式迁移等章节。您可以直接在 Google Colab 中打开这些链接进行学习：\n- 9.4 & 9.13: https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F146IoL0nVN7HOA3sUJ08zAGbngmwTArDp\n- 9.11: https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1C_hARTfpYtDJm6CVU2IKvVqqlRVi3vSy","https:\u002F\u002Fgithub.com\u002FTrickyGo\u002FDive-into-DL-TensorFlow2.0\u002Fissues\u002F40",[164,168,172,176,180,184],{"id":165,"version":166,"summary_zh":80,"released_at":167},180502,"notebook","2019-10-30T11:10:53",{"id":169,"version":170,"summary_zh":80,"released_at":171},180503,"chinese","2019-10-30T11:10:35",{"id":173,"version":174,"summary_zh":80,"released_at":175},180504,"python","2019-10-30T11:10:07",{"id":177,"version":178,"summary_zh":80,"released_at":179},180505,"machine-learning","2019-10-30T11:09:40",{"id":181,"version":182,"summary_zh":80,"released_at":183},180506,"tensorflow2.0","2019-10-30T11:08:58",{"id":185,"version":110,"summary_zh":80,"released_at":186},180507,"2019-10-30T11:07:13"]