动手学深度学习

来源与许可

本目录由 D2L 中文站页面整理为 Obsidian Markdown。 原站：D2L 中文站 GitHub 项目：动手学深度学习 许可：Apache-2.0

本地导航状态

2026-07-22 已按当前嵌套文件树复核全部 140 个课程入口；每个链接均使用文件夹限定 wikilink。D2L 的目录层次和许可来源仍被保留；00-manifest.json 已移除历史绝对本机路径，少数高风险入口另有明确标记的原创 2026 工程补充，不把它们伪装成 D2L 原文。

目录

• 01-前言
• 02-安装
• 03-符号
• 04-01-引言
• 05-02-预备知识
  • 02-02.1-数据操作
  • 03-02.2-数据预处理
  • 04-02.3-线性代数
  • 05-02.4-微积分
  • 06-02.5-自动微分
  • 07-02.6-概率
  • 08-02.7-查阅文档
• 06-03-线性神经网络
  • 02-03.1-线性回归
  • 03-03.2-线性回归的从零开始实现
  • 04-03.3-线性回归的简洁实现
  • 05-03.4-softmax回归
  • 06-03.5-图像分类数据集
  • 07-03.6-softmax回归的从零开始实现
  • 08-03.7-softmax回归的简洁实现
• 07-04-多层感知机
  • 02-04.1-多层感知机
  • 03-04.2-多层感知机的从零开始实现
  • 04-04.3-多层感知机的简洁实现
  • 05-04.4-模型选择、欠拟合和过拟合
  • 06-04.5-权重衰减
  • 07-04.6-暂退法(Dropout)
  • 08-04.7-前向传播、反向传播和计算图
  • 09-04.8-数值稳定性和模型初始化
  • 10-04.9-环境和分布偏移
  • 11-04.10-实战Kaggle比赛：预测房价
• 08-05-深度学习计算
  • 02-05.1-层和块
  • 03-05.2-参数管理
  • 04-05.3-延后初始化
  • 05-05.4-自定义层
  • 06-05.5-读写文件
  • 07-05.6-GPU
• 09-06-卷积神经网络
  • 02-06.1-从全连接层到卷积
  • 03-06.2-图像卷积
  • 04-06.3-填充和步幅
  • 05-06.4-多输入多输出通道
  • 06-06.5-汇聚层
  • 07-06.6-卷积神经网络(LeNet)
• 10-07-现代卷积神经网络
  • 02-07.1-深度卷积神经网络(AlexNet)
  • 03-07.2-使用块的网络(VGG)
  • 04-07.3-网络中的网络(NiN)
  • 05-07.4-含并行连结的网络(GoogLeNet)
  • 06-07.5-批量规范化
  • 07-07.6-残差网络(ResNet)
  • 08-07.7-稠密连接网络(DenseNet)
• 11-08-循环神经网络
  • 02-08.1-序列模型
  • 03-08.2-文本预处理
  • 04-08.3-语言模型和数据集
  • 05-08.4-循环神经网络
  • 06-08.5-循环神经网络的从零开始实现
  • 07-08.6-循环神经网络的简洁实现
  • 08-08.7-通过时间反向传播
• 12-09-现代循环神经网络
  • 02-09.1-门控循环单元(GRU)
  • 03-09.2-长短期记忆网络(LSTM)
  • 04-09.3-深度循环神经网络
  • 05-09.4-双向循环神经网络
  • 06-09.5-机器翻译与数据集
  • 07-09.6-编码器-解码器架构
  • 08-09.7-序列到序列学习(seq2seq)
  • 09-09.8-束搜索
• 13-10-注意力机制
  • 02-10.1-注意力提示
  • 03-10.2-注意力汇聚：Nadaraya-Watson-核回归
  • 04-10.3-注意力评分函数
  • 05-10.4-Bahdanau-注意力
  • 06-10.5-多头注意力
  • 07-10.6-自注意力和位置编码
  • 08-10.7-Transformer
• 14-11-优化算法
  • 02-11.1-优化和深度学习
  • 03-11.2-凸性
  • 04-11.3-梯度下降
  • 05-11.4-随机梯度下降
  • 06-11.5-小批量随机梯度下降
  • 07-11.6-动量法
  • 08-11.7-AdaGrad算法
  • 09-11.8-RMSProp算法
  • 10-11.9-Adadelta
  • 11-11.10-Adam算法
  • 12-11.11-学习率调度器
• 15-12-计算性能
  • 02-12.1-编译器和解释器
  • 03-12.2-异步计算
  • 04-12.3-自动并行
  • 05-12.4-硬件
  • 06-12.5-多GPU训练
  • 07-12.6-多GPU的简洁实现
  • 08-12.7-参数服务器
• 16-13-计算机视觉
  • 02-13.1-图像增广
  • 03-13.2-微调
  • 04-13.3-目标检测和边界框
  • 05-13.4-锚框
  • 06-13.5-多尺度目标检测
  • 07-13.6-目标检测数据集
  • 08-13.7-单发多框检测(SSD)
  • 09-13.8-区域卷积神经网络(R-CNN)系列
  • 10-13.9-语义分割和数据集
  • 11-13.10-转置卷积
  • 12-13.11-全卷积网络
  • 13-13.12-风格迁移
  • 14-13.13-实战-Kaggle-比赛：图像分类-(CIFAR-10)
  • 15-13.14-实战Kaggle比赛：狗的品种识别(ImageNet-Dogs)
• 17-14-自然语言处理：预训练
  • 02-14.1-词嵌入(word2vec)
  • 03-14.2-近似训练
  • 04-14.3-用于预训练词嵌入的数据集
  • 05-14.4-预训练word2vec
  • 06-14.5-全局向量的词嵌入(GloVe)
  • 07-14.6-子词嵌入
  • 08-14.7-词的相似性和类比任务
  • 09-14.8-来自Transformers的双向编码器表示(BERT)
  • 10-14.9-用于预训练BERT的数据集
  • 11-14.10-预训练BERT
• 18-15-自然语言处理：应用
  • 02-15.1-情感分析及数据集
  • 03-15.2-情感分析：使用循环神经网络
  • 04-15.3-情感分析：使用卷积神经网络
  • 05-15.4-自然语言推断与数据集
  • 06-15.5-自然语言推断：使用注意力
  • 07-15.6-针对序列级和词元级应用微调BERT
  • 08-15.7-自然语言推断：微调BERT
• 19-16-附录：深度学习工具
  • 02-16.1-使用Jupyter-Notebook
  • 03-16.2-使用Amazon-SageMaker
  • 04-16.3-使用Amazon-EC2实例
  • 05-16.4-选择服务器和GPU
  • 06-16.5-为本书做贡献
  • 07-16.6-d2l-API-文档
• 20-参考文献