本书是《动手学深度学习》的升级版本，选用经典的PyTorch深度学习框架，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。

如何申请

（1）往下滑到“产品资料”栏，可进一步了解书籍内容，章节设置；

（2）>>点击我要申请，认真填写申请理由、阅读分享计划等，即有机会免费获取书籍。本期活动有1个名额可使用测评券，先用先得。

活动日程

申请时间：8月2日至8月20日
遴选公布：8月23日前，公布全部入围名单
阅读时间：8月30日-11月10日
颁奖时间：活动结束后两周内

阅读要求

（1）收到书籍后，请在EEWorld 测评中心专版自拟标题发表阅读心得，活动期间内，完成您提交的阅读分享计划，至少分享3篇具有实质性内容的心得，进度为至少每15天提交一篇，要求100%原创首发，抄袭会被封杀哦。心得可包含：书籍内容的评价、理解、尝试书中实验过程等；

（2）发起#没读懂#、#聊一聊#讨论：每个网友在阅读过程中，可根据自己的阅读理解的情况，发起#没读懂#或者#聊一聊#+自拟主题的讨论帖，每个有实质讨论的帖子，视讨论内容和热度情况，可酌情加2~10分，此部分分值，最多可加到20分。

活动评奖

评委将对阅读心得质量、阅读计划完成度、互动章节完成度、分享及时性四方面进行评分。综合分=60%阅读心得质量+10%阅读计划完成度+10%及时性+（#没读懂#、#聊一聊#讨论）得分

目录

对本书的赞誉

前言

译者简介

学习环境配置

资源与支持

主要符号表

第 1章　引言　1

1.1　日常生活中的机器学习　2

1.2　机器学习中的关键组件　3

1.2.1　数据　3

1.2.2　模型　4

1.2.3　目标函数　4

1.2.4　优化算法　5

1.3　各种机器学习问题　5

1.3.1　监督学习　5

1.3.2　无监督学习　11

1.3.3　与环境互动　11

1.3.4　强化学习　12

1.4　起源　13

1.5　深度学习的发展　15

1.6　深度学习的成功案例　16

1.7　特点　17

第 2章　预备知识　20

2.1　数据操作　20

2.1.1　入门　21

2.1.2　运算符　22

2.1.3　广播机制　23

2.1.4　索引和切片　24

2.1.5　节省内存　24

2.1.6　转换为其他Python对象　25

2.2　数据预处理　26

2.2.1　读取数据集　26

2.2.2　处理缺失值　26

2.2.3　转换为张量格式　27

2.3　线性代数　27

2.3.1　标量　28

2.3.2　向量　28

2.3.3　矩阵　29

2.3.4　张量　30

2.3.5　张量算法的基本性质　31

2.3.6　降维　32

2.3.7　点积　33

2.3.8　矩阵-向量积　33

2.3.9　矩阵-矩阵乘法　34

2.3.10　范数　35

2.3.11　关于线性代数的更多信息　36

2.4　微积分　37

2.4.1　导数和微分　37

2.4.2　偏导数　40

2.4.3　梯度　41

2.4.4　链式法则　41

2.5　自动微分　42

2.5.1　一个简单的例子　42

2.5.2　非标量变量的反向传播　43

2.5.3　分离计算　43

2.5.4　Python控制流的梯度计算　44

2.6　概率　44

2.6.1　基本概率论　45

2.6.2　处理多个随机变量　48

2.6.3　期望和方差　50

2.7　查阅文档　51

2.7.1　查找模块中的所有函数和类　51

2.7.2　查找特定函数和类的用法　52

第3章　线性神经网络　54

3.1　线性回归　54

3.1.1　线性回归的基本元素　54

3.1.2　向量化加速　57

3.1.3　正态分布与平方损失　58

3.1.4　从线性回归到深度网络　60

3.2　线性回归的从零开始实现　61

3.2.1　生成数据集　62

3.2.2　读取数据集　63

3.2.3　初始化模型参数　63

3.2.4　定义模型　64

3.2.5　定义损失函数　64

3.2.6　定义优化算法　64

3.2.7　训练　64

3.3　线性回归的简洁实现　66

3.3.1　生成数据集　66

3.3.2　读取数据集　66

3.3.3　定义模型　67

3.3.4　初始化模型参数　67

3.3.5　定义损失函数　68

3.3.6　定义优化算法　68

3.3.7　训练　68

3.4　softmax回归　69

3.4.1　分类问题　69

3.4.2　网络架构　70

3.4.3　全连接层的参数开销　70

3.4.4　softmax运算　71

3.4.5　小批量样本的向量化　71

3.4.6　损失函数　72

3.4.7　信息论基础　73

3.4.8　模型预测和评估　74

3.5　图像分类数据集　74

3.5.1　读取数据集　75

3.5.2　读取小批量　76

3.5.3　整合所有组件　76

3.6　softmax回归的从零开始实现　77

3.6.1　初始化模型参数　77

3.6.2　定义softmax操作　78

3.6.3　定义模型　78

3.6.4　定义损失函数　79

3.6.5　分类精度　79

3.6.6　训练　80

3.6.7　预测　82

3.7　softmax回归的简洁实现　83

3.7.1　初始化模型参数　83

3.7.2　重新审视softmax的实现　84

3.7.3　优化算法　84

3.7.4　训练　84

第4章　多层感知机　86

4.1　多层感知机　86

4.2　多层感知机的从零开始实现　92

4.3　多层感知机的简洁实现　94

模型　94

4.4　模型选择、欠拟合和过拟合　95

4.5　权重衰减　103

4.6　暂退法　108

4.7　前向传播、反向传播和计算图　112

4.8　数值稳定性和模型初始化　115

4.9　环境和分布偏移　119

4.10　实战Kaggle比赛：预测房价　127

第5章　深度学习计算　136

5.1　层和块　136

5.2　参数管理　141

5.3　延后初始化　145

实例化网络　146

5.4　自定义层　146

5.5　读写文件　148

5.6　GPU　150

第6章　卷积神经网络　155

6.1　从全连接层到卷积　155

6.2　图像卷积　159

6.3　填充和步幅　164

6.4　多输入多输出通道　166

6.5　汇聚层　170

6.6　卷积神经网络（LeNet）　173

第7章　现代卷积神经网络　178

7.1　深度卷积神经网络（AlexNet）　178

7.2　使用块的网络（VGG）　184

7.3　网络中的网络（NiN）　187

7.4　含并行连接的网络（GoogLeNet）　190

7.5　批量规范化　194

7.6　残差网络（ResNet）　200

7.7　稠密连接网络（DenseNet）　205

第8章　循环神经网络　209

8.1　序列模型　209

8.2　文本预处理　216

8.3　语言模型和数据集　219

8.4　循环神经网络　226

8.5　循环神经网络的从零开始实现　230

8.6　循环神经网络的简洁实现　237

8.7　通过时间反向传播　239

第9章　现代循环神经网络　244

9.1　门控循环单元（GRU）　244

9.2　长短期记忆网络（LSTM）　249

9.3　深度循环神经网络　254

9.4　双向循环神经网络　256

9.5　机器翻译与数据集　260

9.6　编码器-解码器架构　265

9.7　序列到序列学习（seq2seq）　267

9.8　束搜索　275

第 10章　注意力机制　278

10.1　注意力提示　278

10.2　注意力汇聚：Nadaraya-Watson 核回归　281

10.3　注意力评分函数　287

10.4　Bahdanau 注意力　291

10.5　多头注意力　295

10.6　自注意力和位置编码　298

10.7　Transformer　302

第 11章　优化算法　311

11.1　优化和深度学习　311

11.2　凸性　315

11.3　梯度下降　322

11.4　随机梯度下降　329

11.5　小批量随机梯度下降　334

11.6　动量法　341

11.7　AdaGrad算法　348

11.8　RMSProp算法　353

11.9　Adadelta算法　356

11.10　Adam算法　358

11.11　学习率调度器　361

第 12章　计算性能　369

12.1　编译器和解释器　369

12.2　异步计算　372

通过后端异步处理　373

12.3　自动并行　375

12.4　硬件　378

12.5　多GPU训练　388

12.6　多GPU的简洁实现　394

12.7　参数服务器　397

第 13章　计算机视觉　404

13.1　图像增广　404

13.2　微调　410

13.3　目标检测和边界框　415

13.4　锚框　417

13.5　多尺度目标检测　427

13.6　目标检测数据集　430

13.7　单发多框检测（SSD）　433

13.8　区域卷积神经网络（R-CNN）系列　441

13.9　语义分割和数据集　445

13.10　转置卷积　450

13.11　全卷积网络　453

13.12　风格迁移　458

13.13　实战 Kaggle竞赛：图像分类（CIFAR-10）　464

13.14　实战Kaggle竞赛：狗的品种识别（ImageNet Dogs）　470

第 14章　自然语言处理：预训练　476

14.1　词嵌入（word2vec）　477

14.2　近似训练　480

14.3　用于预训练词嵌入的数据集　482

14.4　预训练word2vec　488

14.5　全局向量的词嵌入（GloVe）　491

14.6　子词嵌入　494

14.7　词的相似度和类比任务　497

14.8　来自Transformer的双向编码器表示（BERT）　500

14.9　用于预训练BERT的数据集　507

14.10　预训练BERT　512

第 15章　自然语言处理：应用　515

15.1　情感分析及数据集　516

15.2　情感分析：使用循环神经网络　518

15.3　情感分析：使用卷积神经网络　521

15.4　自然语言推断与数据集　526

15.5　自然语言推断：使用注意力　530

15.6　针对序列级和词元级应用微调BERT　535

15.7　自然语言推断：微调BERT　538

附录A　深度学习工具　543

A.1　使用Jupyter记事本　543

A.1.1　在本地编辑和运行代码　543

A.1.2　高级选项　545

A.2　使用Amazon SageMaker　546

A.2.1　注册　547

A.2.2　创建SageMaker实例　547

A.2.3　运行和停止实例　548

A.2.4　更新Notebook　548

A.3　使用Amazon EC2实例　549

A.3.1　创建和运行EC2实例　549

A.3.2　安装CUDA　553

A.3.3　安装库以运行代码　553

A.3.4　远程运行Jupyter记事本　554

A.3.5　关闭未使用的实例　554

A.4　选择服务器和GPU　555

A.4.1　选择服务器　555

A.4.2　选择GPU　556

A.5　为本书做贡献　558

A.5.1　提交微小更改　558

A.5.2　大量文本或代码修改　559

A.5.3　提交主要更改　559

参考文献　562