---

更新：完整 PyTorch 版本请参阅原始仓库。我们不再维护此仓库。

本项目改编自 Aston Zhang、Zachary C. Lipton、Mu Li、Alex J. Smola 及全体社区贡献者所著的原版《深入浅出深度学习》（Dive Into Deep Learning）。原书 GitHub 地址：https://github.com/d2l-ai/d2l-en。我们致力于对本书进行修改，并将其中的 MXNet 代码片段转换为 PyTorch 格式。

注意：部分 ipynb 笔记本在 GitHub 上可能无法完美渲染。建议您克隆该仓库，或使用 nbviewer 来查看这些笔记本。

章节

• Ch02 安装

  • 安装指南

• Ch03 导论

  • 导论

• Ch04 基础知识：速成课程

  • 4.1 数据处理
  • 4.2 线性代数
  • 4.3 自动微分
  • 4.4 概率与统计
  • 4.5 朴素贝叶斯分类
  • 4.6 文档

• Ch05 线性神经网络

  • 5.1 线性回归
  • 5.2 从零开始实现线性回归
  • 5.3 线性回归的简洁实现
  • 5.4 Softmax 回归
  • 5.5 图像分类数据集（Fashion-MNIST）
  • 5.6 从零开始实现 Softmax 回归
  • 5.7 Softmax 回归的简洁实现

• Ch06 多层感知机

  • 6.1 多层感知机
  • 6.2 从零开始实现多层感知机
  • 6.3 多层感知机的简洁实现
  • 6.4 模型选择、欠拟合与过拟合
  • 6.5 权重衰减
  • 6.6 Dropout
  • 6.7 前向传播、反向传播与计算图
  • 6.8 数值稳定性与参数初始化
  • 6.9 环境因素考量
  • 6.10 在 Kaggle 上预测房价

• Ch07 深度学习计算

  • 7.1 层与块
  • 7.2 参数管理
  • 7.3 延迟初始化
  • 7.4 自定义层
  • 7.5 文件输入输出
  • 7.6 GPU

• Ch08 卷积神经网络

  • 8.1 从全连接层到卷积
  • 8.2 用于图像的卷积
  • 8.3 填充与步幅
  • 8.4 多输入多输出通道
  • 8.5 池化
  • 8.6 卷积神经网络（LeNet）

• 第9章 现代卷积网络

  • 9.1 深度卷积神经网络（AlexNet）

  • 9.2 使用模块的网络（VGG）

  • 9.3 网络中的网络（NiN）

  • 9.4 具有并行连接的网络（GoogLeNet）

  • 9.5 批量归一化

  • 9.6 残差网络（ResNet）

  • 9.7 密集连接网络（DenseNet）

  • 第10章 循环神经网络

    • 10.1 序列模型
    • 10.2 语言模型
    • 10.3 循环神经网络
    • 10.4 文本预处理
    • 10.5 从零开始实现循环神经网络
    • 10.6 循环神经网络的简洁实现
    • 10.7 时间反向传播
    • 10.8 门控循环单元（GRU）
    • 10.9 长短期记忆网络（LSTM）
    • 10.10 深度循环神经网络
    • 10.11 双向循环神经网络
    • 10.12 机器翻译与数据集
    • 10.13 编码器-解码器架构
    • 10.14 序列到序列
    • 10.15 束搜索

  • 第11章 注意力机制

    • 11.1 注意力机制
    • 11.2 带有注意力机制的序列到序列模型
    • 11.3 Transformer

  • 第12章 优化算法

    • 12.1 优化与深度学习
    • 12.2 凸性
    • 12.3 梯度下降
    • 12.4 随机梯度下降
    • 12.5 小批量随机梯度下降
    • 12.6 动量法
    • 12.7 Adagrad
    • 12.8 RMSProp
    • 12.9 Adadelta
    • 12.10 Adam

  • 第14章 计算机视觉

    • 14.1 图像增强
    • 14.2 微调
    • 14.3 目标检测与边界框
    • 14.4 锚框
    • 14.5 多尺度目标检测
    • 14.6 目标检测数据集（皮卡丘）
    • 14.7 单次多盒检测（SSD）
    • 14.8 基于区域的CNN（R-CNN）
    • 14.9 语义分割与数据集
    • 14.10 转置卷积
    • 14.11 全卷积网络（FCN）
    • 14.12 神经风格迁移
    • 14.13 Kaggle上的图像分类（CIFAR-10）
    • 14.14 Kaggle上的犬种识别（ImageNet Dogs）

贡献说明

• 欢迎随时提交Pull Request，为剩余章节贡献PyTorch笔记本。在开始编写笔记本之前，请先创建一个包含笔记本名称的议题，以便我们为您分配该任务（如果尚未有人被分配）。

• 请严格遵循IPython笔记本和子节的命名规范。

• 如果您认为某些部分需要更详细或更好的解释，请通过议题跟踪器提交问题，我们会尽快回复。

• 找到需要改进的代码并提交拉取请求。

• 发现我们遗漏的参考文献并提交拉取请求。

• 尽量避免提交过大的拉取请求，因为这会使理解和合并变得困难。建议分多次提交较小的请求。

支持

如果你喜欢这个仓库并觉得它有用，请考虑给它点个赞（★），这样它就能触达更广泛的受众了。

参考文献

[1] 原书 Dive Into Deep Learning -> GitHub 仓库

[2] 深度学习——直截了当

[3] PyTorch - MXNet 备忘单

引用

如果你在研究中使用了本项目或代码，请使用以下 BibTeX 条目引用原书。

@book{zhang2020dive,
    title={Dive into Deep Learning},
    author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
    note={\url{https://d2l.ai}},
    year={2020}
}

d2l-pytorch 快速上手指南

重要提示：本仓库（dsgiitr/d2l-pytorch）已停止维护。官方完整的 PyTorch 版本请移步 Dive Into Deep Learning (d2l-ai/d2l-en)。本指南仅作为基于该旧版仓库的快速参考，建议新用户直接使用官方最新仓库。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.6 - 3.8（根据原项目时期兼容性）
• 核心依赖：
  • PyTorch (深度学习框架)
  • Jupyter Notebook / JupyterLab (用于运行 .ipynb 教程)
  • NumPy, Pandas, Matplotlib (数据处理与可视化)

前置检查： 建议在安装前更新 pip 并安装基础科学计算包。国内用户推荐使用清华或阿里镜像源以加速下载。

安装步骤

1. 克隆项目代码

由于部分 Notebook 在 GitHub 网页端渲染可能不完整，建议克隆仓库到本地运行。

git clone https://github.com/dsgiitr/d2l-pytorch.git
cd d2l-pytorch

2. 安装依赖库

你可以选择手动安装或使用 requirements.txt（如果项目中包含）。以下是基于 PyTorch 的手动安装命令。

国内加速安装方案（推荐）： 使用清华大学开源软件镜像源安装 PyTorch 及相关依赖。

# 安装 PyTorch (CPU 版本示例，如需 GPU 请访问 pytorch.org 获取对应 CUDA 版本命令)
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装其他必要依赖
pip install jupyter notebook numpy pandas matplotlib scipy -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 启动 Jupyter Notebook

进入项目目录并启动服务，以便浏览和运行各章节的教程代码。

jupyter notebook

浏览器将自动打开，导航至对应的章节文件夹（如 Ch05_Linear_Neural_Networks）即可开始学习。

基本使用

本项目本质是一本交互式教材，每个 .ipynb 文件都是一个独立的教学单元。以下以 线性回归（Linear Regression） 为例，展示如何在 Notebook 中运行最简单的代码。

打开 Ch05_Linear_Neural_Networks/Concise_Implementation_of_Linear_Regression.ipynb，你将看到类似以下的 PyTorch 代码结构：

import torch
from torch import nn
from torch.utils.data import TensorDataset, DataLoader

# 1. 生成合成数据
true_w = torch.tensor([2, -3.4])
true_b = 4.2
features = torch.randn((1000, 2))
labels = torch.matmul(features, true_w) + true_b
labels += torch.normal(0, 0.01, size=labels.shape)

# 2. 读取数据
dataset = TensorDataset(features, labels)
data_iter = DataLoader(dataset, batch_size=10, shuffle=True)

# 3. 定义模型 (简洁实现)
net = nn.Sequential(nn.Linear(2, 1))

# 4. 初始化参数
net[0].weight.data.normal_(0, 0.01)
net[0].bias.data.fill_(0)

# 5. 定义损失函数和优化算法
loss = nn.MSELoss()
trainer = torch.optim.SGD(net.parameters(), lr=0.03)

# 6. 训练循环
num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        l = loss(net(X), y)
        trainer.zero_grad()
        l.backward()
        trainer.step()
    
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l.item():f}')

学习路径建议：

1. Ch02 Installation: 确认环境配置无误。
2. Ch04 The Preliminaries: 复习数据操作、线性代数及自动求导基础。
3. Ch05 - Ch06: 从零实现到简洁实现线性网络与多层感知机，理解核心原理。
4. 后续章节: 根据兴趣深入卷积神经网络 (CNN)、循环神经网络 (RNN) 或 Transformer 等现代架构。