nndl
nndl 是迈克尔·尼尔森经典开源著作《神经网络与深度学习》的另一个中文翻译版本。它致力于解决国内学习者在学习深度学习基础理论时，面临优质中文教材稀缺或现有译本排版不佳、公式查阅不便等痛点。
该项目不仅提供了准确的中文内容，更独特的亮点在于全程采用 LaTeX 进行排版。相比普通文档，这种方式能呈现出版书级别的精美视觉效果，并实现了数学公式、图表与正文之间的高效交叉引用，极大地提升了阅读体验和学术严谨性。项目作者在原创学习笔记的基础上，也借鉴了社区已有的优秀翻译成果，确保了内容的质量与进度。
nndl 非常适合人工智能领域的初学者、高校学生、研究人员以及希望系统夯实深度学习基础的开发者使用。对于想要深入理解神经网络原理，且对文档排版和公式推导有较高要求的读者来说，这是一份不可多得的学习资料。用户既可以直接阅读生成的 PDF 版本，也可以克隆源码库，在配置好相应字体和 TeX 环境后，自行编译定制专属的学习文档。
使用场景
一名刚入门深度学习的大学生，试图研读 Michael Nielsen 的经典英文原著《Neural Networks and Deep Learning》以夯实理论基础。
没有 nndl 时
- 面对满篇复杂的数学公式和长难句，非英语母语者阅读速度极慢，常常因语言障碍中断对核心算法逻辑的思考。
- 网上现有的翻译版本多为零散的 Markdown 或网页片段，公式渲染效果差，且缺乏章节间的交叉引用，查阅极其不便。
- 想要打印纸质版在离线环境下深入研读时，发现现有资源排版混乱，无法生成包含高质量矢量图和清晰公式的 PDF 文档。
- 遇到生僻术语时，需要在浏览器、词典和代码仓库间反复切换，难以形成系统化的知识笔记。
使用 nndl 后
- 直接获取由社区贡献的高质量中文译本，语言流畅且术语准确，能将注意力完全集中在神经网络的反向传播等核心原理上。
- 利用基于 LaTeX 编译生成的 PDF 版本，享受完美的数学公式渲染和清晰的图表展示，点击目录即可快速跳转至任意章节。
- 通过简单的
git clone和make命令，即可在本地一键生成排版精美的离线文档，支持随时随地深度阅读与批注。 - 源码中内置了完整的交叉引用系统，复习时能轻松追踪公式推导过程，将原本碎片化的学习资料整合成系统的个人知识库。
nndl 通过提供排版精良的中文本地化版本，彻底消除了语言与格式壁垒，让经典深度学习教材的阅读体验从“艰难啃食”变为“流畅吸收”。
运行环境要求
- Linux
- macOS
未说明
未说明
快速开始
神经网络与深度学习的另一份中文译本
这是迈克尔·尼尔森所著《神经网络与深度学习》（http://neuralnetworksanddeeplearning.com/）的另一份（正在进行中的）中文译本，最初是我对这本免费在线书籍的学习笔记。为了使排版更美观，并便于数学公式和图表的交叉引用，我使用了 LaTeX 编写。此外，我还借鉴了 https://github.com/tigerneil/neural-networks-and-deep-learning-zh-cn 上的一些已完成的工作。
编译 LaTeX 源代码
要将源代码编译成 PDF 文件，请确保已安装最新版本的 TeX 系统。您可以从 http://tug.org 下载并安装适合您操作系统的 TeX 发行版。
推荐安装以下软件：
克隆源代码
使用 git 克隆本仓库，并以子模块形式获取代码示例：
$ git clone --recursive https://github.com/zhanggyb/nndl.git
或者
$ git clone https://github.com/zhanggyb/nndl.git
$ cd nndl
$ git submodule update --init --recursive
准备字体
下载并安装以下免费字体：
在大多数 Linux 发行版中，这些字体可以通过默认的包管理器安装。
对于 Mac 用户，可以使用 Homebrew 进行安装：
$ brew tap caskroom/fonts
$ brew cask install font-noto-sans-cjk font-noto-serif-cjk font-source-code-pro font-source-serif-pro
生成 PDF
运行以下命令来排版并生成 PDF 文档：
$ make
您也可以使用自己喜欢的 TeX 图形界面应用程序，但请务必选择 XeLaTeX 作为排版引擎，以支持中文字体。
版本历史
latest2017/12/290.52017/04/090.42016/11/250.32016/08/080.22016/05/170.1.12016/04/160.12016/03/22draft2016/03/13常见问题
相似工具推荐
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。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。