d2l-ai/d2l-zh-pytorch-slides

此仓库包含生成的笔记本幻灯片。若要在本地打开，建议安装 rise 插件。

你也可以在 nbviewer 上预览它们：

• chapter_preliminaries/ndarray.ipynb
• chapter_preliminaries/pandas.ipynb
• chapter_preliminaries/linear-algebra.ipynb
• chapter_preliminaries/calculus.ipynb
• chapter_preliminaries/autograd.ipynb
• chapter_preliminaries/lookup-api.ipynb
• chapter_linear-networks/linear-regression.ipynb
• chapter_linear-networks/linear-regression-scratch.ipynb
• chapter_linear-networks/linear-regression-concise.ipynb
• chapter_linear-networks/image-classification-dataset.ipynb
• chapter_linear-networks/softmax-regression-scratch.ipynb
• chapter_linear-networks/softmax-regression-concise.ipynb
• chapter_multilayer-perceptrons/mlp.ipynb
• chapter_multilayer-perceptrons/mlp-scratch.ipynb
• chapter_multilayer-perceptrons/mlp-concise.ipynb
• chapter_multilayer-perceptrons/underfit-overfit.ipynb
• chapter_multilayer-perceptrons/weight-decay.ipynb
• chapter_multilayer-perceptrons/dropout.ipynb
• chapter_multilayer-perceptrons/numerical-stability-and-init.ipynb
• chapter_multilayer-perceptrons/kaggle-house-price.ipynb
• chapter_deep-learning-computation/model-construction.ipynb
• chapter_deep-learning-computation/parameters.ipynb
• chapter_deep-learning-computation/custom-layer.ipynb
• chapter_deep-learning-computation/read-write.ipynb
• chapter_deep-learning-computation/use-gpu.ipynb
• chapter_convolutional-neural-networks/conv-layer.ipynb
• chapter_convolutional-neural-networks/padding-and-strides.ipynb
• chapter_convolutional-neural-networks/channels.ipynb
• chapter_convolutional-neural-networks/pooling.ipynb
• chapter_convolutional-neural-networks/lenet.ipynb
• chapter_convolutional-modern/alexnet.ipynb
• chapter_convolutional-modern/vgg.ipynb
• chapter_convolutional-modern/nin.ipynb
• chapter_convolutional-modern/googlenet.ipynb
• chapter_convolutional-modern/batch-norm.ipynb
• chapter_convolutional-modern/resnet.ipynb
• chapter_convolutional-modern/densenet.ipynb
• chapter_recurrent-neural-networks/sequence.ipynb
• chapter_recurrent-neural-networks/text-preprocessing.ipynb
• chapter_recurrent-neural-networks/language-models-and-dataset.ipynb
• chapter_recurrent-neural-networks/rnn-scratch.ipynb
• chapter_recurrent-neural-networks/rnn-concise.ipynb
• chapter_recurrent-modern/gru.ipynb
• chapter_recurrent-modern/lstm.ipynb
• chapter_recurrent-modern/deep-rnn.ipynb
• chapter_recurrent-modern/bi-rnn.ipynb
• chapter_recurrent-modern/machine-translation-and-dataset.ipynb
• chapter_recurrent-modern/encoder-decoder.ipynb
• chapter_recurrent-modern/seq2seq.ipynb
• chapter_attention-mechanisms/nadaraya-waston.ipynb
• chapter_attention-mechanisms/attention-scoring-functions.ipynb
• chapter_attention-mechanisms/bahdanau-attention.ipynb
• chapter_attention-mechanisms/multihead-attention.ipynb
• chapter_attention-mechanisms/self-attention-and-positional-encoding.ipynb
• chapter_attention-mechanisms/transformer.ipynb
• chapter_computational-performance/multiple-gpus.ipynb
• chapter_computational-performance/multiple-gpus-concise.ipynb
• chapter_computer-vision/image-augmentation.ipynb
• chapter_computer-vision/fine-tuning.ipynb
• chapter_computer-vision/bounding-box.ipynb
• chapter_computer-vision/anchor.ipynb
• chapter_computer-vision/multiscale-object-detection.ipynb
• chapter_computer-vision/object-detection-dataset.ipynb
• chapter_computer-vision/ssd.ipynb
• chapter_computer-vision/semantic-segmentation-and-dataset.ipynb
• chapter_computer-vision/transposed-conv.ipynb
• chapter_computer-vision/fcn.ipynb
• chapter_computer-vision/neural-style.ipynb
• chapter_computer-vision/kaggle-cifar10.ipynb
• chapter_computer-vision/kaggle-dog.ipynb
• chapter_natural-language-processing-applications/natural-language-inference-and-dataset.ipynb
• chapter_natural-language-processing-applications/natural-language-inference-bert.ipynb

d2l-zh-pytorch-slides 快速上手指南

本仓库提供了《动手学深度学习》（PyTorch 版）中文教材的幻灯片格式 Jupyter Notebook。通过浏览器即可像演示文稿一样浏览代码、公式和讲解内容，非常适合教学演示或个人复习。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Windows / macOS / Linux
• Python 版本：建议 Python 3.8 或更高版本
• 前置依赖：
  • Jupyter Notebook
  • RISE 扩展（用于在本地将 Notebook 渲染为幻灯片）

提示：如果您不想在本地安装环境，可以直接使用下文提供的在线预览链接。

安装步骤

1. 安装 Jupyter Notebook

如果您尚未安装 Jupyter，可以使用 pip 进行安装（推荐使用国内镜像源加速）：

pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装 RISE 扩展

RISE 是将 Notebook 转换为幻灯片的关键插件。

方法一：使用 pip 安装（推荐）

pip install rise -i https://pypi.tuna.tsinghua.edu.cn/simple
jupyter nbextension install rise --py --sys-prefix
jupyter nbextension enable rise --py --sys-prefix

方法二：使用 conda 安装（如果您使用 Anaconda）

conda install -c conda-forge rise

3. 克隆项目代码

将幻灯片源码下载到本地：

git clone https://github.com/d2l-ai/d2l-zh-pytorch-slides.git
cd d2l-zh-pytorch-slides

基本使用

方式一：本地运行（推荐）

1. 进入项目目录后，启动 Jupyter Notebook：

   jupyter notebook
   

2. 在浏览器中打开任意一个 .ipynb 文件（例如 chapter_preliminaries/ndarray.ipynb）。
3. 点击工具栏右侧出现的 幻灯片图标（通常位于保存按钮旁边，或按快捷键 Alt + r）。
4. 页面将立即切换为幻灯片演示模式，您可以使用键盘方向键进行翻页。

方式二：在线预览（无需安装）

如果您希望快速查看内容而无需配置环境，可以直接访问 NBViewer 生成的幻灯片页面。以下是部分核心章节的直达链接：

• 基础知识

  • 数据操作 (ndarray)
  • 线性代数
  • 微积分
  • 自动求导 (autograd)

• 线性网络

  • 线性回归
  • Softmax 回归

• 多层感知机

  • MLP 实现
  • 过拟合与欠拟合

• 卷积神经网络 (CNN)

  • 卷积层
  • ResNet

• 循环神经网络 (RNN) 与 Transformer

  • LSTM
  • Transformer

完整列表请参阅项目根目录或 GitHub 仓库首页。