deep-learning-with-python-notebooks
deep-learning-with-python-notebooks 是畅销书《Deep Learning with Python》的官方配套代码库，收录了该书第一版至第三版所有章节的可运行 Jupyter Notebook。它主要解决了读者在学习深度学习理论时“动手难”的问题，将书中复杂的代码示例转化为独立、清晰的实践文件，帮助用户边读边练，快速验证神经网络、分类回归等核心概念。
这套资源特别适合开发者、数据科学家以及希望系统掌握深度学习的学生使用。无论是初学者还是有一定基础的研究人员，都能通过它从零构建知识体系。其独特的技术亮点在于全面支持 Keras 3，允许用户灵活切换 JAX、TensorFlow 或 PyTorch 作为后端框架，极大地提升了代码的兼容性与实验自由度。此外，项目针对 Google Colab 环境进行了优化，无需本地配置复杂依赖即可利用免费 GPU 资源运行大部分代码，同时提供了便捷的 Kaggle 数据集接入指南。建议使用者结合原书阅读，以获得最佳的学习体验。
使用场景
一名刚入门深度学习的数据科学实习生，正试图复现《Deep Learning with Python》书中的图像分类案例以完成公司原型验证。
没有 deep-learning-with-python-notebooks 时
- 环境配置耗时：需手动安装 TensorFlow、PyTorch 或 JAX 等复杂依赖，常因版本冲突导致代码无法运行，半天时间浪费在修环境上。
- 代码转录易错：必须对照纸质书或电子书逐行手敲代码，极易出现缩进错误或拼写失误，调试过程令人挫败。
- 框架切换困难：书中若涉及不同后端（如从 TensorFlow 切到 JAX），需自行摸索修改底层配置，缺乏标准化的切换指引。
- 数据获取繁琐：面对需要 Kaggle 数据集的章节，不知如何正确配置 API 密钥，常卡在数据加载第一步无法推进。
使用 deep-learning-with-python-notebooks 后
- 开箱即用：直接通过 Google Colab 链接一键运行，云端已预装所有依赖，无需本地配置即可立即开始实验。
- 零误差复现：直接获取作者官方提供的可执行代码块，确保逻辑与书本完全一致，可将精力集中于理解算法原理而非纠错。
- 灵活切换后端：仅需修改单元格顶部的
KERAS_BACKEND环境变量，即可在 JAX、TensorFlow 和 PyTorch 之间无缝切换，轻松对比不同框架表现。 - 数据流程标准化：内置清晰的 Kaggle 登录与密钥配置指南，甚至支持 Colab Secrets 管理，让数据加载步骤变得简单且安全。
deep-learning-with-python-notebooks 将原本数天的环境搭建与代码纠错工作压缩至几分钟，让学习者能真正专注于深度学习核心逻辑的掌握与实践。
运行环境要求
- Linux
- macOS
- Windows
- 非必需
- Colab 免费版 GPU 即可运行所有代码
- 第 8-18 章建议使用更快的 GPU（如 Colab Pro 提供），未指定具体型号、显存大小或 CUDA 版本
未说明
快速开始
《Python深度学习》配套笔记本
本仓库包含 Jupyter 笔记本，实现了弗朗索瓦·肖莱和马修·沃森所著书籍《Python深度学习（第三版，2025）》[1] 中的代码示例。此外，您还可以找到该书 [第二版（2021）][2] 和 [第一版（2017）][3] 的历史版本笔记本。
为了便于阅读，这些笔记本仅包含可运行的代码块和章节标题，省略了书中其他内容：文本段落、图表和伪代码。 如果您希望更好地理解内容，建议将笔记本与您的纸质书或电子书对照阅读。
运行代码
我们推荐在 Colab 上运行这些笔记本，它提供了一个托管运行环境，预装了所有必要的依赖项。您也可以在本地运行这些笔记本，方法是搭建自己的 Jupyter 环境，或者按照 Colab 提供的本地运行指南进行操作。
默认情况下，所有笔记本都会使用 Colab 免费层级的 GPU 运行时，这足以运行本书中的所有代码。不过，第 8 至 18 章如果使用 Colab Pro 订阅，将能从更快的 GPU 中受益。您可以通过 Colab 下拉菜单中的 Runtime -> Change runtime type 来更改运行时类型。
选择后端
第三版的代码是使用 Keras 3 编写的，因此可以使用 JAX、TensorFlow 或 PyTorch 作为后端来运行。要设置后端，请在 Colab 笔记本顶部的单元格中更新后端配置，如下所示：
import os
os.environ["KERAS_BACKEND"] = "jax"
此操作只需在每次会话中执行一次，在导入 Keras 之前完成即可。如果您正在运行某个笔记本，需要先重启笔记本会话，然后重新运行所有相关单元格。您可以在 Colab 的下拉菜单中选择 Runtime -> Restart Session 来实现这一点。
使用 Kaggle 数据
本书使用了由在线机器学习社区和平台 Kaggle 提供的数据集和模型权重。要运行书中的 Kaggle 相关代码，您需要创建一个 Kaggle 账号；具体步骤请参见第 8 章。
对于需要 Kaggle 数据的章节，您可以在遇到 kagglehub.login() 单元格时，为每个会话登录一次 Kaggle。或者，您可以将 Kaggle 登录信息作为 Colab 秘密保存：
- 访问 https://www.kaggle.com/ 并登录。
- 进入 https://www.kaggle.com/settings 页面，生成 Kaggle API 密钥。
- 在 Colab 左侧点击钥匙图标，打开“秘密”选项卡。
- 添加两个秘密变量
KAGGLE_USERNAME和KAGGLE_KEY，分别填入您刚刚创建的用户名和密钥。
采用这种方法，您只需复制一次 Kaggle 密钥，但在运行涉及 Kaggle 的代码时，仍需允许每个笔记本访问您的秘密。
目录
常见问题
相似工具推荐
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。