概览：模块代码
搜索
快速搜索
预览版
PyTorch
MXNet
Notebooks
课程
GitHub
中文版
目录
前言
安装
符号
1. 引言
2. 预备知识
2.1. 数据操作
2.2. 数据预处理
2.3. 线性代数
2.4. 微积分
2.5. 自动微分
2.6. 概率与统计
2.7. 文档
3. 用于回归的线性神经网络
3.1. 线性回归
3.2. 面向对象的实现设计
3.3. 合成回归数据
3.4. 从零开始实现线性回归
3.5. 线性回归的简洁实现
3.6. 泛化
3.7. 权重衰减
4. 用于分类的线性神经网络
4.1. Softmax 回归
4.2. 图像分类数据集
4.3. 基础分类模型
4.4. 从零开始实现 Softmax 回归
4.5. Softmax 回归的简洁实现
4.6. 分类中的泛化
4.7. 环境和分布偏移
5. 多层感知机
5.1. 多层感知机
5.2. 多层感知机的实现
5.3. 前向传播、反向传播和计算图
5.4. 数值稳定性和初始化
5.5. 深度学习中的泛化
5.6. 暂退法 (Dropout)
5.7. 在 Kaggle 上预测房价
6. 构造指南
6.1. 层和模块
6.2. 参数管理
6.3. 参数初始化
6.4. 惰性初始化
6.5. 自定义层
6.6. 文件 I/O
6.7. GPU
7. 卷积神经网络
7.1. 从全连接层到卷积
7.2. 图像卷积
7.3. 填充和步幅
7.4. 多输入多输出通道
7.5. 池化层
7.6. 卷积神经网络 (LeNet)
8. 现代卷积神经网络
8.1. 深度卷积神经网络 (AlexNet)
8.2. 使用块的网络 (VGG)
8.3. 网络中的网络 (NiN)
8.4. 多分支网络 (GoogLeNet)
8.5. 批量归一化
8.6. 残差网络 (ResNet) 和 ResNeXt
8.7. 稠密连接网络 (DenseNet)
8.8. 设计卷积网络架构
9. 循环神经网络
9.1. 处理序列
9.2. 将原始文本转换为序列数据
9.3. 语言模型
9.4. 循环神经网络
9.5. 从零开始实现循环神经网络
9.6. 循环神经网络的简洁实现
9.7. 时间反向传播
10. 现代循环神经网络
10.1. 长短期记忆网络 (LSTM)
10.2. 门控循环单元 (GRU)
10.3. 深度循环神经网络
10.4. 双向循环神经网络
10.5. 机器翻译和数据集
10.6. 编码器-解码器架构
10.7. 用于机器翻译的序列到序列学习
10.8. 束搜索
11. 注意力机制和 Transformer
11.1. 查询、键和值
11.2. 基于相似度的注意力池化
11.3. 注意力评分函数
11.4. 巴达诺注意力机制
11.5. 多头注意力
11.6. 自注意力和位置编码
11.7. Transformer 架构
11.8. 用于视觉的 Transformer
11.9. 使用 Transformer 进行大规模预训练
12. 优化算法
12.1. 优化与深度学习
12.2. 凸性
12.3. 梯度下降
12.4. 随机梯度下降
12.5. 小批量随机梯度下降
12.6. 动量法
12.7. Adagrad
12.8. RMSProp
12.9. Adadelta
12.10. Adam
12.11. 学习率调度
13. 计算性能
13.1. 编译器和解释器
13.2. 异步计算
13.3. 自动并行
13.4. 硬件
13.5. 在多个 GPU 上训练
13.6. 多个 GPU 的简洁实现
13.7. 参数服务器
14. 计算机视觉
14.1. 图像增广
14.2. 微调
14.3. 目标检测和边界框
14.4. 锚框
14.5. 多尺度目标检测
14.6. 目标检测数据集
14.7. 单发多框检测 (SSD)
14.8. 区域卷积神经网络 (R-CNNs)
14.9. 语义分割和数据集
14.10. 转置卷积
14.11. 全卷积网络
14.12. 神经风格迁移
14.13. Kaggle 上的图像分类 (CIFAR-10)
14.14. Kaggle 上的狗品种识别 (ImageNet Dogs)
15. 自然语言处理：预训练
15.1. 词嵌入 (word2vec)
15.2. 近似训练
15.3. 用于预训练词嵌入的数据集
15.4. 预训练 word2vec
15.5. 全局向量词嵌入 (GloVe)
15.6. 子词嵌入
15.7. 词相似性和类比
15.8. 来自 Transformer 的双向编码器表示 (BERT)
15.9. 用于预训练 BERT 的数据集
15.10. 预训练 BERT
16. 自然语言处理：应用
16.1. 情感分析和数据集
16.2. 情感分析：使用循环神经网络
16.3. 情感分析：使用卷积神经网络
16.4. 自然语言推断和数据集
16.5. 自然语言推断：使用注意力机制
16.6. 为序列级和词元级应用微调 BERT
16.7. 自然语言推断：微调 BERT
17. 强化学习
17.1. 马尔可夫决策过程 (MDP)
17.2. 值迭代
17.3. Q-学习
18. 高斯过程
18.1. 高斯过程简介
18.2. 高斯过程先验
18.3. 高斯过程推断
19. 超参数优化
19.1. 什么是超参数优化？
19.2. 超参数优化 API
19.3. 异步随机搜索
19.4. 多保真度超参数优化
19.5. 异步逐次减半
20. 生成对抗网络
20.1. 生成对抗网络
20.2. 深度卷积生成对抗网络
21. 推荐系统
21.1. 推荐系统概述
21.2. MovieLens 数据集
21.3. 矩阵分解
21.4. AutoRec：使用自编码器进行评分预测
21.5. 推荐系统的个性化排序
21.6. 用于个性化排序的神经协同过滤
21.7. 序列感知推荐系统
21.8. 特征丰富的推荐系统
21.9. 分解机
21.10. 深度分解机
22. 附录：深度学习的数学
22.1. 几何与线性代数运算
22.2. 特征分解
22.3. 单变量微积分
22.4. 多变量微积分
22.5. 积分学
22.6. 随机变量
22.7. 最大似然
22.8. 分布
22.9. 朴素贝叶斯
22.10. 统计学
22.11. 信息论
23. 附录：深度学习工具
23.1. 使用 Jupyter Notebooks
23.2. 使用 Amazon SageMaker
23.3. 使用 AWS EC2 实例
23.4. 使用 Google Colab
23.5. 选择服务器和 GPU
23.6. 为本书做贡献
23.7. 实用函数和类
23.8.
d2l
API 文档
参考文献
目录
前言
安装
符号
1. 引言
2. 预备知识
2.1. 数据操作
2.2. 数据预处理
2.3. 线性代数
2.4. 微积分
2.5. 自动微分
2.6. 概率与统计
2.7. 文档
3. 用于回归的线性神经网络
3.1. 线性回归
3.2. 面向对象的实现设计
3.3. 合成回归数据
3.4. 从零开始实现线性回归
3.5. 线性回归的简洁实现
3.6. 泛化
3.7. 权重衰减
4. 用于分类的线性神经网络
4.1. Softmax 回归
4.2. 图像分类数据集
4.3. 基础分类模型
4.4. 从零开始实现 Softmax 回归
4.5. Softmax 回归的简洁实现
4.6. 分类中的泛化
4.7. 环境和分布偏移
5. 多层感知机
5.1. 多层感知机
5.2. 多层感知机的实现
5.3. 前向传播、反向传播和计算图
5.4. 数值稳定性和初始化
5.5. 深度学习中的泛化
5.6. 暂退法 (Dropout)
5.7. 在 Kaggle 上预测房价
6. 构造指南
6.1. 层和模块
6.2. 参数管理
6.3. 参数初始化
6.4. 惰性初始化
6.5. 自定义层
6.6. 文件 I/O
6.7. GPU
7. 卷积神经网络
7.1. 从全连接层到卷积
7.2. 图像卷积
7.3. 填充和步幅
7.4. 多输入多输出通道
7.5. 池化层
7.6. 卷积神经网络 (LeNet)
8. 现代卷积神经网络
8.1. 深度卷积神经网络 (AlexNet)
8.2. 使用块的网络 (VGG)
8.3. 网络中的网络 (NiN)
8.4. 多分支网络 (GoogLeNet)
8.5. 批量归一化
8.6. 残差网络 (ResNet) 和 ResNeXt
8.7. 稠密连接网络 (DenseNet)
8.8. 设计卷积网络架构
9. 循环神经网络
9.1. 处理序列
9.2. 将原始文本转换为序列数据
9.3. 语言模型
9.4. 循环神经网络
9.5. 从零开始实现循环神经网络
9.6. 循环神经网络的简洁实现
9.7. 时间反向传播
10. 现代循环神经网络
10.1. 长短期记忆网络 (LSTM)
10.2. 门控循环单元 (GRU)
10.3. 深度循环神经网络
10.4. 双向循环神经网络
10.5. 机器翻译和数据集
10.6. 编码器-解码器架构
10.7. 用于机器翻译的序列到序列学习
10.8. 束搜索
11. 注意力机制和 Transformer
11.1. 查询、键和值
11.2. 基于相似度的注意力池化
11.3. 注意力评分函数
11.4. 巴达诺注意力机制
11.5. 多头注意力
11.6. 自注意力和位置编码
11.7. Transformer 架构
11.8. 用于视觉的 Transformer
11.9. 使用 Transformer 进行大规模预训练
12. 优化算法
12.1. 优化与深度学习
12.2. 凸性
12.3. 梯度下降
12.4. 随机梯度下降
12.5. 小批量随机梯度下降
12.6. 动量法
12.7. Adagrad
12.8. RMSProp
12.9. Adadelta
12.10. Adam
12.11. 学习率调度
13. 计算性能
13.1. 编译器和解释器
13.2. 异步计算
13.3. 自动并行
13.4. 硬件
13.5. 在多个 GPU 上训练
13.6. 多个 GPU 的简洁实现
13.7. 参数服务器
14. 计算机视觉
14.1. 图像增广
14.2. 微调
14.3. 目标检测和边界框
14.4. 锚框
14.5. 多尺度目标检测
14.6. 目标检测数据集
14.7. 单发多框检测 (SSD)
14.8. 区域卷积神经网络 (R-CNNs)
14.9. 语义分割和数据集
14.10. 转置卷积
14.11. 全卷积网络
14.12. 神经风格迁移
14.13. Kaggle 上的图像分类 (CIFAR-10)
14.14. Kaggle 上的狗品种识别 (ImageNet Dogs)
15. 自然语言处理：预训练
15.1. 词嵌入 (word2vec)
15.2. 近似训练
15.3. 用于预训练词嵌入的数据集
15.4. 预训练 word2vec
15.5. 全局向量词嵌入 (GloVe)
15.6. 子词嵌入
15.7. 词相似性和类比
15.8. 来自 Transformer 的双向编码器表示 (BERT)
15.9. 用于预训练 BERT 的数据集
15.10. 预训练 BERT
16. 自然语言处理：应用
16.1. 情感分析和数据集
16.2. 情感分析：使用循环神经网络
16.3. 情感分析：使用卷积神经网络
16.4. 自然语言推断和数据集
16.5. 自然语言推断：使用注意力机制
16.6. 为序列级和词元级应用微调 BERT
16.7. 自然语言推断：微调 BERT
17. 强化学习
17.1. 马尔可夫决策过程 (MDP)
17.2. 值迭代
17.3. Q-学习
18. 高斯过程
18.1. 高斯过程简介
18.2. 高斯过程先验
18.3. 高斯过程推断
19. 超参数优化
19.1. 什么是超参数优化？
19.2. 超参数优化 API
19.3. 异步随机搜索
19.4. 多保真度超参数优化
19.5. 异步逐次减半
20. 生成对抗网络
20.1. 生成对抗网络
20.2. 深度卷积生成对抗网络
21. 推荐系统
21.1. 推荐系统概述
21.2. MovieLens 数据集
21.3. 矩阵分解
21.4. AutoRec：使用自编码器进行评分预测
21.5. 推荐系统的个性化排序
21.6. 用于个性化排序的神经协同过滤
21.7. 序列感知推荐系统
21.8. 特征丰富的推荐系统
21.9. 分解机
21.10. 深度分解机
22. 附录：深度学习的数学
22.1. 几何与线性代数运算
22.2. 特征分解
22.3. 单变量微积分
22.4. 多变量微积分
22.5. 积分学
22.6. 随机变量
22.7. 最大似然
22.8. 分布
22.9. 朴素贝叶斯
22.10. 统计学
22.11. 信息论
23. 附录：深度学习工具
23.1. 使用 Jupyter Notebooks
23.2. 使用 Amazon SageMaker
23.3. 使用 AWS EC2 实例
23.4. 使用 Google Colab
23.5. 选择服务器和 GPU
23.6. 为本书做贡献
23.7. 实用函数和类
23.8.
d2l
API 文档
参考文献
所有可找到代码的模块
d2l.torch
