动手学习深度学习——Pytorch版教程系列汇总(长期更新版)

---

开发环境配置

• 动手学习深度学习——开发环境配置

1. 基本简介

• 深度学习发展简介

2. 预备知识

• 本章基本内容

  为了开始深度学习，我们需要学习一些基本的技能。所有的机器学习都是从数据中提取信息。所以我们开始学习一些实际的技能，比如数据的存储、操作和预处理等。
   
  而且，机器学习通常需要处理大规模的数据，可以将其想象为一个表格，行表示每一个例子，列表示相关的特性（特征）。线性代数为我们提供了一套处理表格数据的强大技术。我们不必太过深究，只需要重点关注基本的矩阵操作和应用。
   
  此外，深度学习与优化有关。深度学习模型有待优化的参数，我们需要找到最佳的参数。确定在算法的每个步骤中以何种方式移动每个参数需要一点微积分知识，我们将简要介绍一下。幸运的是，Autograd Package 会自动为我们计算微分，我们将在下面介绍它。
   
  接下来，机器学习与预测有关：根据我们观察到的信息，某些未知属性的可能值是多少？要在不确定的情况下进行严格的推理，我们需要援引概率的语言。
   
  最后，官方文档提供了大量超出本书范围的描述和示例。为了结束本章，我们将向您展示如何查找所需信息的文档。
   
  这本书保持了数学内容到最低限度，以获得一个对深度学习合适的理解。然而，这并不意味着这本书是不需要数学的。因此，这一章提供了一个快速介绍基本和经常使用的数学知识，以允许任何人理解至少大部分的数学内容。如果你希望理解所有的数学内容，进一步回顾 在线数学附录 应该是足够的。

• 2.1 数据操作（已更新）

• 2.2 数据预处理（已更新）

• 2.3 线性代数（已更新）

• 2.4 微积分（已更新）

• 2.5 自动微分（已更新）

• 2.6 概率论（已更新）

3. 线性神经网络

4. 多层感知器

5. 深度学习计算

6. 卷积神经网络

7. 现代卷积神经网络

8. 循环神经网络

9. 现代循环神经网络

10. 注意力机制

11. 优化算法

12. 计算性能

13. 计算机视觉

14. 自然语言处理：预训练

15. 自然语言处理：应用

---

专栏简介
  该系列专栏主要参考《Dive into Deep Learning》，一本经典的深度学习入门参考书籍。相比于深度学习理论书籍（花书），这本书更加强调动手实践。原书是英文版本，所用深度学习框架为 MXNet，该框架的开发者正是李沐。

英文版在线文档：https://d2l.ai/index.html
GitHub地址：https://github.com/d2l-ai/d2l-en
参考书籍：
 
主要的作者信息：
 

专栏的初衷

  本人从事深度学习领域多年，致力于将深度学习技术应用于2D或3D视觉领域，常用框架为 Tensorflow。因此，该专栏Pytorch教程系列的目的有三个：1. 进一步巩固深度学习的基础知识。2. 学习Pytorch框架。3. 作为深度学习初学者的入门教程。在翻译和学习的过程中，为了使得知识点更加全面，会对原书的理论和一些代码作相应的【补充】和【更新】。同时，为了使得初学者阅读过程中，逻辑更加清晰，更便于学习和理解，我会对原书的内容结构进行【重新编排】，或者作相应的【删除和更新】。我们知道，深度学习技术更新很快，有很多经典的模型结构，激活函数，优化算法，实战技巧等，那么本专栏系列也可作为深度学习笔记，可以不断整理，修改，更新，查阅等。

原书引用

@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={2020}
}