重磅|继吴恩达后，亚马逊AI主任科学家李沐上线“动手学深度学习”中文课程，全部免费！

2017 年 9 月 4 日 数据玩家

讲真，这么多好课，都想学，怎么学得过来呢？好焦虑...

来源：AI科技大本营

作者 | 周翔

上周二（8 月 29 日），网易云课堂与吴恩达的 Deeplearning.ai 宣布达成合作，后者的最新深度学习课程“Deep Learning Specialization”中文字幕版上线网易微课程，并永久免费，这对国内的开发者社区来说，绝对是一个重磅好消息。

AI科技大本营在全网进行首发后，（点击查看《永久免费！吴恩达刚公布的深度学习课程上线网易云课堂》），留言区的评论一致夸赞“网易云课堂真乃业界良心” 。

好消息不止于此。AI科技大本营再跟大家播报一个重磅好消息。

曾经的百度少帅、如今的亚马逊 AI 主任科学家、 MXNet 的作者李沐博士也要开始了。

今天（9 月 4 日），这位亚马逊 AI 主任科学家将给中文开发社区带来全新的深度学习课程：“动手学深度学习”。

“动手学深度学习”课程
该课程将使用 Apache MXNet (incubating) 的最新 gluon 接口来演示如何从 0 开始实现深度学习的各个算法，利用 Jupyter notebook 将文档、代码、公式和图形统一在一起的优势，为开发者提供了一个交互式的学习体验。据此，目前并没有哪个项目能既覆盖全面深度学习，又提供交互式的可执行代码，该门课程则填补了这个空白。

哎呀，都是深度学习课程，都是大牛，到底怎么选呢？营长有选择恐惧症啊...

李沐表示，这个课程和吴恩达的课程还是有几个显著的区别滴，听听他怎么说：

“

我们不仅介绍深度学习模型，而且提供简单易懂的代码实现。我们不是通过幻灯片来讲解，而是通过解读代码，实际动手调参数和跑实验来学习。

我们使用中文。不管是教材，直播，还是论坛。（虽然在美国呆了5，6年了，事实上我仍然对一边听懂各式口音的英文一边理解内容很费力。）

Andrew 课目前免费版只能看视频，而我们不仅仅直播教学，而且提供练习题，提供大家交流的论坛，并鼓励大家在 github 上参与到课程的改进中来。希望能与大家有更近距离的交互。”

也就是说，这次的课程将以动手实操为主，不仅直播教学，而且还提供了“Deep Learning Specialization”在网易云课堂上不提供的练习题。据AI科技大本营了解，李沐将于每周六的上午 10 点在斗鱼进行课程直播，第一次直播时间为 9 月 9 日上午 10 点。此外，这次课程全程使用中文，进一步降低了学习门槛。

不过，这门课程目前还只是 0.1 版本，因此只有“预备知识”、“监督学习”、“神经网络”三个章节，此外，里面还有部分英文内容没有汉化。

课程内容

目前，“动手学深度学习”的每个教程主要是按照以下方式来组织（除了少数几个背景知识介绍教程外）：

引入一个（或者少数几个）新概念

提供一个使用真实数据的完整样例

这个教程的最大特色在于，每个教程都是一个可以编辑和运行的 Jupyter notebook，而运行这些教程需要 Python、Jupyter 和其插件 notedown，以及最新版 MXNet，因此学习者首先要知道如何安装并使用这些程序。

不过，该课程在开始之前提供了详细的“安装和使用”教程，学习者按照步骤来操作就可以了。

以下是 “动手学深度学习”课程 0.1 版的全部章节：

预备知识

监督学习

神经网络

那么，我们不禁想问，为什么李沐要开这门课？到底哪些人群最适合看这门课？为什么这门课的前后逻辑需要这样设计？

我们从李沐的公开信中，找到了答案。或许，开课背后的思考，更值得我们学习。

附：李沐的公开信

两年前我们开始了MXNet这个项目，有一件事情一直困扰我们：每当MXNet发布新特性的时候，总会收到“做啥新东西，赶紧去更新文档”的留言。我们曾一度都很费解，文档明明很多啊，比我们以前所有做的项目都好。而且你看隔壁家轮子，都没文档，大家照样也不是用的很嗨。

后来有一天，Zack 问了这样一个问题：假设回到你刚开始学机器学习的时候，那么你需要什么样的文档？

我是大二开始接触机器学习。当时候并没有太多很好资料，抱着晦涩的翻译版《The Elements of Statistical Learning》读了大半年仍是懵懵懂懂。后来 08 年的时候又啃了好几个月《Pattern Recognition And Machine Learning》，被贝叶斯那一套绕得云里雾里。10 年去港科大的时候 James 问我，你最熟悉的模型是哪个？使劲想了想，竟然答不出来。

虽然在我认识的人里，好些人能够读一篇论文或者听一个报告后就能问出很好的问题，然后就基本弄懂了。但我在这个上笨很多。读过的论文就像喝过的水，第二天就不记得了。一定是需要静下心来，从头到尾实现一篇，跑上几个数据，调些参数，才能心安地觉得懂了。例如在港科大的两年读了很多论文，但现在反过来看，仍然记得可能就是那两个老老实实动手实现过写过论文的模型了。即使后来在机器学习这个方向又走了五年，学习任何新东西仍然是要靠动手。

几年前我开始学习深度学习，在MXNet这个项目里也帮助和目睹了很多小伙伴上手深度学习。我发现也有很多小伙伴跟我一样，动手去实现、去调参、去跑实验才会真正成为专家（或者合格的炼丹师）。

虽然深度学习崛起前的年代，不写代码不跑实验可以做出很好的理论工作。但在深度学习领域，动手能力才是核心竞争力。例如就算我熟知卷积的三种写法，Relu 的十个变种，理解 BatchNorm 为什么能加速收敛，对 Imagenet 历届冠军的错误率随手拈来，能滔滔不绝说上几小时神经网络几度沉浮的恩怨史。但调不出参数，一切都是枉然。发论文被问你为啥跟 state-of-the-art 差老远，做产品被喷你这精度还不如我的便宜 100 倍的线性模型。

在过去一年我在 AWS 工作中，很大一部分是在帮助 Amazon 内部团队和云上的用户来了解深度学习，并将其应用到他们的产品中。在今年夏威夷的 CVPR 上，遇到很多老朋友，例如地平线的凯哥，今日头条的李磊，第四范式的文渊和雨强，也认识了很多新朋友，例如 Momenta 旭东和商汤俊杰。我说 MXNet 有了新 Gluon 前端，可以一次性解决产品和研究的需求。大家纷纷表示，好啊好啊，来我们这里讲讲吧。而且特别强调说，我们这里新人很多，最好能讲讲入门知识。

所以很自然的会想，我们能不能帮助更多人。于是我们想开设一些系列课程，从深度学习入门到最新最前沿的算法，从 0 开始通过交互式的代码来讲解每个算法和概念。希望通过这个让大家既能了解算法的细节，又能调得出参数。既赢得了竞赛，又做的出产品。

为此我们做了（正在做）这四件事情：