动手学深度学习

动手学深度学习官网

动手学深度学习（Dive into Deep Learning，简称 D2L）是由李沐等人主导编写的开源深度学习教材中文版，面向高校学生、算法工程师与深度学习自学者。全书把数学推导、代码实现与工程实践融为一体，每个概念都配有可运行的 Jupyter Notebook，读者能边读公式边跑代码，直观验证理论。

教材内容从预备知识、线性神经网络讲起，覆盖多层感知机、卷积神经网络、循环神经网络、注意力机制与 Transformer、优化算法、计算性能与计算机视觉、自然语言处理应用，并同时提供 PyTorch、TensorFlow、MXNet 与 PaddlePaddle 多种框架实现，已被全球数百所高校用作教材。

动手学深度学习中文版在线书籍首页

动手学深度学习的主要功能

1. 理论与代码一体：每节内容都由数学推导、代码实现与实验结果三部分组成，可直接运行验证。
2. 多框架并行实现：同一算法提供 PyTorch、TensorFlow、MXNet、PaddlePaddle 多个版本，便于按需选择。
3. 完整知识体系：从线性回归到 Transformer 与预训练模型，覆盖现代深度学习的主干内容。
4. 中英双语开源：中文版与英文原版同步维护，全部源码与文本在 GitHub 开源免费。
5. 配套视频课程：作者在视频平台同步发布讲解课程，可与文字教材对照学习。
6. 活跃的讨论社区：每节末尾设有讨论区，读者可就习题与实现细节交流提问。

如何使用动手学深度学习

使用流程如下：

1. 打开动手学深度学习中文版网站，在右上角选择目标深度学习框架（推荐 PyTorch）；
2. 按目录顺序从“预备知识”章节开始，先复习张量运算、自动微分与概率基础；
3. 每读完一节，下载对应的 Jupyter Notebook 在本地或 Colab 中运行，逐行理解代码；
4. 修改网络结构与超参数重新训练，观察损失曲线与精度变化以验证理论结论；
5. 完成章节末尾的练习题，并在讨论区对照他人思路检查自己的理解是否到位。

动手学深度学习的使用场景

1. 高校课程教材：教师直接采用本书作为深度学习课程教材与实验指导书。
2. 系统自学深度学习：学习者按章节顺序完整刷完，建立从基础到前沿的知识框架。
3. 算法面试准备：复习卷积、循环网络与注意力机制的原理及其代码实现细节。
4. 框架迁移参考：需要在 PyTorch 与 PaddlePaddle 之间迁移代码时，对照同一算法的不同实现。
5. 工程实践查阅：开发中遇到优化器选择、批归一化等具体问题时快速回查原理与代码。

动手学深度学习的常见问题解答

动手学深度学习需要付费购买吗？

在线版本完全免费开放阅读，全部代码在 GitHub 开源。纸质书由出版社发行，如需实体书可另行购买，但内容与在线版基本一致。

学习本书需要什么数学基础？

需要线性代数、微积分与概率统计的基础知识。书中“预备知识”章节会对必要的数学工具做集中复习，边学边补也可行。

应该选择哪个深度学习框架版本？

推荐 PyTorch 版本，其生态最活跃、社区资料最丰富。若所在团队或课程指定使用 TensorFlow 或 PaddlePaddle，可在网站右上角一键切换到对应实现。

动手学深度学习官网网址

动手学深度学习官网入口网址：https://zh.d2l.ai/

GitHub 开源仓库：https://github.com/d2l-ai/d2l-zh

英文原版：https://d2l.ai/

OpenI AI时代点评

动手学深度学习几乎是中文深度学习教材里的天花板：公式推导不含糊，代码全部可跑，还同时维护四套框架实现，这种投入程度在开源教材中很少见。

它的定位是“主线教材”而非速查手册，建议配合李沐的视频课程按章节推进。学完这本书，再去读论文或上手工程项目，基础会扎实很多。

延伸阅读：李沐 B站课程与论文精读 、李宏毅机器学习课程 、Fast.ai 、Stanford CS224n。