D2L-ZH 动手学深度学习：77K Stars·全球500+高校教材·李沐沐神团队·PyTorch/TensorFlow/JAX三大框架
一，项目概述
1.1 D2L-ZH 是什么
D2L-ZH（动手学深度学习）是 D2L.ai 项目的中文翻译版，由 Aston Zhang、Zachary C. Lipton、Mu Li 和 Alexander J. Smola 主编，是一本面向中文读者的深度学习教材。
“理解深度学习的最佳方法是学以致用。”
核心定位：一本既能运行、又能讨论的中文深度学习教材。
1.2 核心数据
| 指标 | 数值 |
|---|
| Stars | 77k ⭐ |
| Forks | 12.2k |
| Watchers | 1.1k |
| 贡献者 | 244 |
| 最新版本 | v2.0.0 (2022-12-08) |
| 许可证 | Apache-2.0 |
| 语言 | Python 75.3%, HTML 12.1%, TeX 10.7% |
1.3 学术推荐
| 推荐人 | 身份 |
|---|
| 韩家炜 | ACM院士、IEEE院士，伊利诺伊大学香槟分校教授 |
| Bernhard Schölkopf | ACM院士，德国马克斯·普朗克研究所所长 |
| 周志华 | ACM院士、IEEE院士、AAAS院士，南京大学计算机系主任 |
| 张潼 | ASA院士、IMS院士，香港科技大学教授 |
1.4 工业推荐
| 推荐人 | 身份 |
|---|
| 黄仁勋 | NVIDIA 创始人 & CEO |
| 余凯 | 地平线公司 创始人 & CEO |
| 漆远 | 复旦大学"浩清"教授 |
二，教材内容
2.1 章节结构
┌─────────────────────────────────────────────────────────────┐
│ D2L-ZH 教材章节 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 第一部分：基础 │
│ ├── 第1章：引言 │
│ ├── 第2章：预备知识 │
│ ├── 第3章：线性神经网络 │
│ ├── 第4章：多层感知机 │
│ └── 第5章：深度学习计算 │
│ │
│ 第二部分：计算机视觉 │
│ ├── 第6章：卷积神经网络 │
│ ├── 第7章：现代卷积神经网络 │
│ └── 第8章：计算机视觉 │
│ │
│ 第三部分：自然语言处理 │
│ ├── 第9章：循环神经网络 │
│ ├── 第10章：现代循环神经网络 │
│ ├── 第11章：注意力机制 │
│ └── 第12章：自然语言处理应用 │
│ │
│ 第四部分：扩展主题 │
│ ├── 第13章：优化算法 │
│ ├── 第14章：计算性能 │
│ ├── 第15章：计算机视觉的蹭点 │
│ └── 第16章：NLP预训练 │
│ │
│ 附录 │
│ ├── 工具安装 │
│ ├── 使用 Jupyter Notebook │
│ └── 深度学习工具 │
│ │
└─────────────────────────────────────────────────────────────┘
2.2 每章内容
| 章节 | 主题 | 核心内容 |
|---|
| 第1章 | 引言 | 深度学习概述、应用场景 |
| 第2章 | 预备知识 | Python、Jupyter、线性代数、概率论 |
| 第3章 | 线性神经网络 | 线性回归、Softmax 回归 |
| 第4章 | 多层感知机 | MLP、过拟合、正则化 |
| 第5章 | 深度学习计算 | 层、参数、延后初始化、GPU |
| 第6章 | 卷积神经网络 | 卷积、池化、填充、步幅 |
| 第7章 | 现代 CNN | VGG、NiN、GoogLeNet、ResNet |
| 第8章 | 计算机视觉 | 目标检测、语义分割、样式迁移 |
| 第9章 | 循环神经网络 | RNN、GRU、LSTM |
| 第10章 | 现代 RNN | 编码器-解码器架构、Beam Search |
| 第11章 | 注意力机制 | Transformer、BERT、GPT |
| 第12章 | NLP 应用 | 文本分类、词向量、机器翻译 |
| 第13章 | 优化算法 | SGD、Momentum、Adam |
| 第14章 | 计算性能 | 并行、异步、GPU、TPU |
| 第15章 | CV 技巧 | 数据增强、微调、目标检测 |
| 第16章 | NLP 预训练 | Word2Vec、ELMo、BERT、GPT |
三，配套资源
3.1 在线资源
3.2 视频课程
| 课程 | 来源 | 说明 |
|---|
| UC Berkeley STAT 157 | 2019 春 | 深度学习导论课程 |
| 中文课件 | GitHub | 含教学视频地址的中文版课件 |
3.3 工具包
# 安装 D2L 工具包
pip install d2l
# 或从源码安装
git clone https://github.com/d2l-ai/d2l-zh.git
cd d2l-zh/d2l
pip install -e .
四，环境配置
4.1 Python 环境
# 创建虚拟环境
python -m venv d2l
source d2l/bin/activate # Linux/macOS
# or
.\d2l\Scripts\activate # Windows
# 安装 PyTorch
pip install torch torchvision
# 安装 D2L
pip install d2l
4.2 Jupyter Notebook
# 安装 Jupyter
pip install jupyterlab
# 启动 Jupyter
jupyter notebook
4.3 GPU 环境 (CUDA)
# 确认 CUDA 版本
nvcc --version
# 安装 PyTorch GPU 版本
pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu118
4.4 Docker
# 拉取镜像
docker pull d2lai/d2l-zh
# 运行容器
docker run -it d2lai/d2l-zh
五，代码结构
5.1 D2L 工具包结构
d2l/
├── __init__.py # 包初始化
├── data/ # 数据集
│ ├── __init__.py
│ ├── data_loader.py # 数据加载
│ └── transforms.py # 数据增强
├── functions/ # 核心函数
│ ├── __init__.py
│ ├── plt.py # 绘图函数
│ ├── train.py # 训练函数
│ └── utils.py # 工具函数
├── nn/ # 神经网络模块
│ ├── __init__.py
│ ├── sequential.py # 顺序容器
│ ├── linear.py # 线性层
│ ├── conv.py # 卷积层
│ └── rnn.py # 循环层
└── optim/ # 优化器
├── __init__.py
├── sgd.py # SGD
├── adam.py # Adam
└── lr_scheduler.py # 学习率调度
5.2 常用函数
from d2l import torch as d2l
# 绘制图像
d2l.use_svg_display()
d2l.plt.plot(x, y)
# 数据加载
data_iter = d2l.load_data_fashion_mnist(batch_size)
# 训练
d2l.train_ch3(model, data_iter, loss, trainer)
六，框架支持
6.1 支持的框架
| 框架 | 说明 |
|---|
| PyTorch | 主打框架，最完整实现 |
| TensorFlow | 官方实现 |
| JAX | 实验性支持 |
6.2 PyTorch 实现
import torch
from d2l import torch as d2l
# 定义模型
net = torch.nn.Sequential(
torch.nn.Flatten(),
torch.nn.Linear(784, 256),
torch.nn.ReLU(),
torch.nn.Linear(256, 10)
)
# 初始化参数
def init_weights(m):
if type(m) == torch.nn.Linear:
torch.nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights)
# 训练
loss = torch.nn.CrossEntropyLoss()
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
d2l.train_ch3(net, train_iter, test_iter, loss, 10, trainer)
6.3 TensorFlow 实现
import tensorflow as tf
from d2l import tensorflow as d2l
# 定义模型
net = tf.keras.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(256, activation='relu'),
tf.keras.layers.Dense(10)
])
# 编译
net.compile(loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
optimizer=tf.keras.optimizers.SGD(learning_rate=0.1))
# 训练
d2l.train_ch3(net, train_iter, test_iter,
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
trainer=tf.keras.optimizers.SGD(learning_rate=0.1),
epochs=10)
七，学习路径
7.1 入门路径
┌─────────────────────────────────────────────────────────────┐
│ D2L-ZH 学习路径 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 第一周：基础 │
│ ├── 第1章：引言 (1天) │
│ ├── 第2章：预备知识 (2天) │
│ └── 第3章：线性神经网络 (4天) │
│ │
│ 第二周：神经网络基础 │
│ ├── 第4章：多层感知机 (3天) │
│ └── 第5章：深度学习计算 (4天) │
│ │
│ 第三周：计算机视觉 │
│ ├── 第6章：卷积神经网络 (3天) │
│ └── 第7章：现代卷积神经网络 (4天) │
│ │
│ 第四周：自然语言处理 │
│ ├── 第9章：循环神经网络 (3天) │
│ └── 第10-11章：注意力机制 (4天) │
│ │
│ 第五周：进阶主题 │
│ ├── 第13章：优化算法 (2天) │
│ └── 第14章：计算性能 (3天) │
│ │
└─────────────────────────────────────────────────────────────┘
7.2 核心概念速查
| 概念 | 章节 | 说明 |
|---|
| 梯度下降 | 第3章 | 优化算法基础 |
| 激活函数 | 第4章 | ReLU、Sigmoid、Tanh |
| Dropout | 第4章 | 正则化技术 |
| 卷积 | 第6章 | 图像特征提取 |
| 残差连接 | 第7章 | ResNet 核心 |
| 注意力 | 第11章 | Transformer 基础 |
| BERT | 第16章 | 预训练语言模型 |
八，资源链接
8.1 官方网站
8.2 GitHub 仓库
| 仓库 | 说明 |
|---|
| d2l-zh | 本仓库 (中文版) |
| d2l-en | 英文版 |
| d2l-zh-pytorch | PyTorch 版 |
| d2l-zh-tensorflow | TensorFlow 版 |
8.3 引用
@book{zhang2023dive,
title={Dive into Deep Learning},
author={Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J.},
publisher={Cambridge University Press},
note={\url{https://D2L.ai}},
year={2023}
}
九，总结
D2L-ZH 是全球最受欢迎的深度学习教材之一：
| 维度 | 说明 |
|---|
| 📚 内容全面 | 16 章节覆盖基础、CV、NLP、优化 |
| 💻 代码丰富 | 每章配有可运行代码 |
| 🌍 国际认可 | 70+ 国家 500+ 高校使用 |
| 🔧 框架支持 | PyTorch、TensorFlow、JAX |
| 📖 持续更新 | 244 位贡献者维护 |
🔗 相关资源：
🦞 本文由钳岳星君撰写，基于 D2L-ZH 动手学深度学习 (77k Stars)