本项目将《动手学深度学习》 原书中MXNet代码实现改为TensorFlow2实现。经过archersama的导师咨询李沐老师，这个项目的实施已得到李沐老师的同意。原书作者：阿斯顿·张、李沐、扎卡里 C. 立顿、亚历山大 J. 斯莫拉以及其他社区贡献者，GitHub地址：https://github.com/d2l-ai/d2l-zh
此书的中、英版本存在一些不同，本项目主要针对此书的中文版进行TensorFlow2重构。另外，本项目也参考了对此书中文版进行PyTorch重构的项目Dive-into-DL-PyTorch，在此表示感谢。
现已更新到十章，持续更新中。。。
项目已被机器之心等多家公众号报导，并且受到原作者李沐的认可
简介
本仓库主要包含code和docs两个文件夹（外加一些数据存放在data中）。其中code文件夹就是每章相关jupyter notebook代码（基于TensorFlow2）；docs文件夹就是markdown格式的《动手学深度学习》书中的相关内容，然后利用docsify将网页文档部署到GitHub Pages上，由于原书使用的是MXNet框架，所以docs内容可能与原书略有不同，但是整体内容是一样的。欢迎对本项目做出贡献或提出issue。
面向人群
本项目面向对深度学习感兴趣，尤其是想使用TensorFlow2进行深度学习的童鞋。本项目并不要求你有任何深度学习或者机器学习的背景知识，你只需了解基础的数学和编程，如基础的线性代数、微分和概率，以及基础的Python编程。
食用方法
方法一
本仓库包含一些latex公式，但github的markdown原生是不支持公式显示的，而docs文件夹已经利用docsify被部署到了GitHub Pages上，所以查看文档最简便的方法就是直接访问本项目网页版。当然如果你还想跑一下运行相关代码的话还是得把本项目clone下来，然后运行code文件夹下相关代码。
方法二
你还可以在本地访问文档，先安装docsify-cli工具:
npm i docsify-cli -g
然后将本项目clone到本地:
git clone https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0
cd Dive-into-DL-TensorFlow2.0
然后运行一个本地服务器，这样就可以很方便的在http://localhost:3000实时访问文档网页渲染效果。
docsify serve docs
Contributors
✨
这个项目的发起人及主要贡献者如下
 archersama |
 TrickyGo |
 SwordFaith |
 ShusenTang |
 LIANGQINGYUAN |
目录
- 简介
- 阅读指南
- 1. 深度学习简介
- 2. 预备知识
- 3. 深度学习基础
- 4. 深度学习计算
- 5. 卷积神经网络
- 6. 循环神经网络
- 7. 优化算法
- 8. 计算性能
- 9. 计算机视觉
- 10. 自然语言处理
- 11. 附录
持续更新中......
原书地址
中文版：动手学深度学习 | Github仓库
English Version: Dive into Deep Learning | Github Repo
引用
如果您在研究中使用了这个项目请引用原书:
@book{zhang2019dive,
title={Dive into Deep Learning},
author={Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola},
note={\url{http://www.d2l.ai}},
year={2019}
}
-
1.创建张量 TensorFlow 的张量在概念上等同于多维数组，我们可以使用它来描述数学中的标量（0 维数组）、向量（1 维数组）、矩阵（2 维数组）等各种量，示例如下： 首先导入tensorflow import tensorflow as tf print(tf.__version__) 输出 2.3.0 定义一个随机数（标量） random_float = tf.random.unif
-
一、写在前面 本文是《Dive-into-Deep-Learning》一书中文Pytorch版本的3.3节线性回归Pytorch实现读书笔记。笔记仅作个人备忘与记录。 二、定义模型 在上一节从零开始的实现中，我们需要定义模型参数，并使用它们一步步描述模型是怎样计算的。当模型结构变得更复杂时，这些步骤将变得更繁琐。其实，PyTorch提供了大量预定义的层，这使我们只需关注使用哪些层来构造模型。下面将
-
import tensorflow as tf tf.__version__ '2.0.0' tf.__path__ ['C:\\Users\\PC\\Anaconda3\\lib\\site-packages\\tensorflow'] 1、Tensor张量 node1 = tf.constant([[3.0,1.5],[2.5,6.0]],tf.float32) node2 = tf.
-
Conv1D的输入输出： import tensorflow as tf from tensorflow.keras import layers con1 = layers.Conv1D(1, kernel_size=1, padding='same', activation=tf.nn.relu, input_shape=(2, 2)) model = tf.keras.Sequential(
-
方式一： def pre_process(x, y): x = 2. * tf.cast(x, dtype=tf.float32) / 255. - 1. y = tf.cast(y, dtype=tf.int32) return x, y (x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar100
-
编辑器是开发人员花费大部分时间的区域。 掌握编辑器是提高任何资源生产力的第一步。 本章讨论编辑器的可视元素，最常见的编辑器操作和提供lint检查的SonarLint插件。 编辑的视觉元素 IntelliJ有许多规定，包括视觉元素，旨在帮助开发人员浏览和理解编码的真实状态。 现在让我们通过不同的规定 - 天沟区 编辑器的装订区位于IDE的左侧，如下图所示 - Labels 我们现在将了解标签的工作原
-
Dive into Machine Learning Hi there! This guide is for you: You're new to Machine Learning. You know Python. (At least the basics! If you want to learn more Python, try this) I learned Python by hacki
-
Docker 容器镜像是一个轻量、独立、含有运行某个应用所需全部软件的可执行包，那么一个 Docker 镜像里面会包含什么东西？这个名为 Dive 的工具正是用来分析和浏览 Docker 镜像每层的内容。 通过分析 Docker 镜像，我们可以发现在各个层之间可能重复的文件，并通过移除它们来减小 Docker 镜像的大小。 Dive 是一个用 Go 语言编写的自由开源工具。Dive 工具不仅仅是一
-
本教程的前四章旨在为初学者提供IntelliJ的基本概述。 本节深入探讨了IntelliJ，并讨论了有关项目，其格式以及其他内容的更多信息。 了解项目 项目是您正在使用的应用程序或软件。 它可以包含多个模块，类，库，配置等。 它是层次结构中最顶层的元素。 了解模块 模块在“项目”下面有一个梯级。 模块是一个独立的实体，可以独立于其他模块进行编译，调试和运行。 单个项目可以包含多个模块。 您可以随时
-
原文：https://joshondesign.com/p/books/canvasdeepdive/title.html 实例源码 Github 地址：https://github.com/joshmarinacci/canvasdeepdive-examples 实例下载：https://www.wenjiangs.com/wp-content/uploads/2022/01/canvasde
-
What you are reading is an ebook experiment. It is built to showcase the power of modern web standards with interactive electronic texts. Everything you see is done with HTML, CSS and Javascript; bund