《动手学深度学习》 是由亚马逊团队（阿斯顿・张、李沐等）联合编写的 开源深度学习教科书，提供 多框架实现（PyTorch/TensorFlow/PaddlePaddle），以 “理论 + 代码 + 实验” 三位一体的方式帮助读者快速掌握深度学习核心技术。
- 预备知识：涵盖线性代数、微积分、概率、自动微分等数学基础，以及数据预处理技术。
- 线性神经网络：线性回归、softmax 回归的原理与实现。
- 现代网络架构：
- 卷积神经网络（CNN）：LeNet、AlexNet、ResNet 等经典模型。
- 循环神经网络（RNN）：LSTM、GRU、Transformer 架构。
- 注意力机制：自注意力、多头注意力、BERT 预训练。
- 优化算法：梯度下降、动量法、Adam 等优化策略。
- 计算机视觉：目标检测（SSD/R-CNN）、语义分割、风格迁移。
- 自然语言处理：词嵌入（word2vec/GloVe）、序列到序列模型、BERT 实战。
- 分布式训练：多 GPU/TPU 加速、参数服务器。
- Kaggle 竞赛：房价预测、CIFAR-10 图像分类、狗品种识别等。
- 行业应用：推荐系统、情感分析、机器翻译等。
-
多框架支持
- 同一算法提供 PyTorch、TensorFlow、PaddlePaddle 三种实现，适配不同技术栈。
- 代码示例模块化，便于快速迁移至其他框架。
-
交互式学习体验
- 集成 Jupyter Notebook，支持在线运行代码（通过 Google Colab 或 B 站镜像）。
- 实时修改超参数（如学习率、层数），观察训练效果变化。
-
社区驱动开发
- 全球 200 + 贡献者参与内容更新，确保技术前沿性（如 2023 年新增 Transformer 章节）。
- 讨论区提供竞赛经验分享与模型优化技巧。
| 人群 |
适用场景 |
| 在校学生 |
课程教材（如斯坦福、MIT 等高校选用），配套实验作业与考试题库。 |
| AI 从业者 |
查漏补缺（如梯度消失、模型初始化），学习工业级项目实战（如医疗影像分析）。 |
| 研究人员 |
复现经典论文（如 ResNet、BERT），理解模型改进思路。 |
| 跨领域学习者 |
通过 Python 代码快速上手深度学习，无需数学推导门槛。 |
-
基础入门：
- 第 1-4 章（线性模型、MLP） → 掌握损失函数、优化器等核心概念。
- 完成 “房价预测” Kaggle 竞赛，实践数据预处理与模型训练流程。
-
进阶提升：
- 第 6-10 章（CNN/RNN/ 注意力） → 复现 CIFAR-10 分类任务。
- 学习第 14 章（BERT 预训练），参与 “情感分析” 实战项目。
-
研究 / 工程导向：
- 第 13 章（目标检测）+ 第 15 章（NLP 应用） → 构建完整 CV/NLP pipeline。
- 探索附录中的多 GPU 训练与模型部署技巧。
| 维度 |
《动手学深度学习》 |
传统教科书（如《深度学习》花书） |
在线课程（如 Coursera 专项课） |
| 实践性 |
代码可直接运行，强调动手实验 |
理论推导为主，缺乏代码示例 |
视频讲解 + 作业，代码需手动实现 |
| 框架覆盖 |
多框架实现（PyTorch/TensorFlow） |
无框架绑定，伪代码为主 |
单一框架（如 PyTorch） |
| 社区支持 |
活跃开源社区，持续更新 |
出版后内容固定 |
官方论坛答疑，更新周期较长 |
