动手学深度学习

作为中文深度学习领域最具影响力的开源教程之一，动手学深度学习 李沐老师联合多位顶尖研究者共同打造。该项目摒弃了传统的“先理论后代码”模式，采用交互式Notebook形式，让读者在运行和修改代码的过程中建立直观理解。目前，动手学深度学习第二版已正式发布，章节体系与代码实现均进行了系统性重构，内容紧跟学术前沿与工业实践。

本书及配套学习平台提供以下完整功能支持：

交互式编程体验：每一章均内置可执行的代码单元，读者可实时调整超参数、观察中间变量，无需配置本地环境即可上手。

主流框架全覆盖：项目早期提供MXNet实现，现阶段已全面转向PyTorch。全书每一节均配有动手学深度学习 pytorch代码，API风格与当前业界主流完全一致。

离线资源下载：除在线阅读外，项目支持多种格式导出。学习者可自行获取动手学深度学习 pdf用于离线阅读，社区也同步整理了动手学深度学习pytorch版第二版pdf，方便在平板或电子墨水设备上查阅。

可视化数学推导：针对反向传播、注意力机制等复杂概念，提供分步公式推导与动态示意图，显著降低学习门槛。

配套练习与社区：每章末尾设置习题，并链接至中文讨论区。学习者在完成动手学深度学习 pytorch版章节后，可通过论坛提交疑问并获得解答。

跨平台兼容性：代码经过Windows、macOS与Linux多系统测试，配合完善的动手学深度学习环境配置方案，确保不同设备均可复现结果。

选择本书作为深度学习入门或参考，具有以下不可替代的优势：

知行合一的教学理念：不同于纯理论教材，本书要求读者必须“动手”修改代码，在调试中掌握模型行为边界。

完全开源与免费：全书内容、课程视频及示例代码均免费开放，极大降低了优质教育资源的获取门槛。

作者实战背景深厚：动手学深度学习 李沐老师兼具顶级学术会议经历与大规模工业系统经验，内容设计兼顾理论严谨与工程落地。

第二版内容全面进化：动手学深度学习第二版新增了现代卷积网络、计算性能优化与大模型部署等章节，代码也全面迁移至最新PyTorch版本。

环境配置文档详尽：从Conda安装到GPU驱动配置，社区已沉淀出完整的动手学深度学习环境配置手册，新手可在30分钟内完成本地搭建。

• 具备基础Python和线性代数知识，希望系统入门深度学习的在校生
• 有机器学习理论背景，计划转向PyTorch框架的算法工程师
• 需要查阅标准实现与公式推导的科研人员
• 准备技术面试、希望建立系统知识体系的求职者

读者可通过主站进行在线交互学习，所有章节代码均支持一键运行。若需离线资料，可下载动手学深度学习 pdf版本作为本地备份。对于PyTorch用户，建议优先跟随动手学深度学习 pytorch版章节学习，其代码逻辑与当前工业界最佳实践保持同步。需要离线电子文档的用户，也可在开源社区获取动手学深度学习pytorch版第二版pdf，用于通勤或离线场景下的复习巩固。

为获得最佳学习体验，建议按照以下步骤完成本地环境搭建：

1. 安装Miniconda：前往官网下载对应系统的Miniconda安装包，用于管理Python虚拟环境。
2. 创建隔离环境：执行 conda create -n d2l python=3.9 -y ，创建名为d2l的独立空间。
3. 安装PyTorch：根据显卡驱动版本选择CPU或GPU命令。例如CUDA 11.8用户可运行 conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia。
4. 安装d2l工具包：执行 pip install d2l ，该包封装了本书常用的绘图、数据加载及训练函数。
5. 验证安装：启动Jupyter Notebook，导入torch与d2l模块，确认无报错且GPU可被识别。