全新版本，李沐《动手学深度学习》TF2.0版本来了

机器之心整理

参与：一鸣

还记得李沐老师的《动手学深度学习》吗？近日，该书的 TF2.0 代码复现项目来了。

UC 伯克利李沐的《动手学深度学习》开源书一经推出便广受好评。很多开发者使用了书的内容，并采用各种各样的深度学习框架将其复现。据机器之心所知，现在已有 MXnet（原版）和 PyTorch 版本。

近日，《动手学深度学习》书又有了一个新的复现代码版本——TensorFlow2.0 版。这一项目登上了 12 月 9 日的 GitHub 热榜，一天获得了百星。

项目地址： https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0

项目作者表示，该项目是基于中文版的书进行的更新和重构，在代码上参考了 PyTorch 版本。目前该项目已更新到第五章，仍在继续更新。

本项目主要两位作者来自北大软件和微电子学院。项目已获得李沐老师本人同意。

TF2.0 版的《动手学》怎么样

本项目包括 code 和 doc 两个文件夹。其中 code 保存了 Jupyter 格式的代码，而 doc 则是 md 格式的书籍文件。由于原书使用的是 MXnet，因此代码和文本略有不同。

书籍内容展示

考虑到 md 格式对公式的展示不太优秀，作者使用 docsify (https://docsify.js.org/#/zh-cn/) 将文本转到了 GitHub pages 上，你可以像浏览网页那样阅读全书。

网页展示地址： https://trickygo.github.io/Dive-into-DL-TensorFlow2.0

从网页来看，目前确实更新到了第五章，但是考虑到这是一个小团队做的代码重构工作，能完成这么多实属不易。

代码展示

在书中，代码和文本是穿插进行了，因此可以一边读书一边写代码复现，还可以随时随地检查结果。

以「构建 MLP 网络」为例，作者提供了最 Python 的复现方法——为模型定义一个类，并继承 tf.keras.Model 的基类。在 TF2.0 的代码中，这是一种较为稳妥的方法。

当然，也有这样较为简单的实现代码。总之，代码非常简洁易懂。

全书目录

和之前机器之心介绍过的一样，这里提供全书目录，供读者参考。

• 简介

• 阅读指南

• 1. 深度学习简介

• 2. 预备知识

• 2.1 环境配置
• 2.2 数据操作
• 2.3 自动求梯度
• 2.4 查阅文档

• 3. 深度学习基础

• 3.1 线性回归

• 3.2 线性回归的从零开始实现

• 3.3 线性回归的简洁实现

• 3.4 softmax回归

• 3.5 图像分类数据集（Fashion-MNIST）

• 3.6 softmax回归的从零开始实现

• 3.7 softmax回归的简洁实现

• 3.8 多层感知机

• 3.9 多层感知机的从零开始实现

• 3.10 多层感知机的简洁实现

• 3.11 模型选择、欠拟合和过拟合

• 3.12 权重衰减

• 3.13 丢弃法

• 3.14 正向传播、反向传播和计算图

• 3.15 数值稳定性和模型初始化

• 3.16 实战Kaggle比赛：房价预测

• 4. 深度学习计算

• 4.1 模型构造

• 4.2 模型参数的访问、初始化和共享

• 4.3 模型参数的延后初始化

• 4.4 自定义层

• 4.5 读取和存储

• 4.6 GPU计算

• 5. 卷积神经网络

• 5.1 二维卷积层

• 5.2 填充和步幅

• 5.3 多输入通道和多输出通道

• 5.4 池化层

• 5.5 卷积神经网络（LeNet）

• 5.6 深度卷积神经网络（AlexNet）

• 5.7 使用重复元素的网络（VGG）

• 5.8 网络中的网络（NiN）

• 5.9 含并行连结的网络（GoogLeNet）

• 5.10 批量归一化

• 5.11 残差网络（ResNet）

• 5.12 稠密连接网络（DenseNet）

• 6. 循环神经网络

• 6.1 语言模型

• 6.2 循环神经网络

• 6.3 语言模型数据集（周杰伦专辑歌词）

• 6.4 循环神经网络的从零开始实现

• 6.5 循环神经网络的简洁实现

• 6.6 通过时间反向传播

• 6.7 门控循环单元（GRU）

• 6.8 长短期记忆（LSTM）

• 6.9 深度循环神经网络

• 6.10 双向循环神经网络

• 7. 优化算法

• 7.1 优化与深度学习

• 7.2 梯度下降和随机梯度下降

• 7.3 小批量随机梯度下降

• 7.4 动量法

• 7.5 AdaGrad算法

• 7.6 RMSProp算法

• 7.7 AdaDelta算法

• 7.8 Adam算法

• 8. 计算性能

• 8.1 命令式和符号式混合编程

• 8.2 异步计算

• 8.3 自动并行计算

• 8.4 多GPU计算

• 9. 计算机视觉

• 9.1 图像增广

• 9.2 微调

• 9.3 目标检测和边界框

• 9.4 锚框

• 9.5 多尺度目标检测

• 9.6 目标检测数据集（皮卡丘）

• 待更新...

• 10. 自然语言处理

• 10.1 词嵌入（word2vec）

• 10.2 近似训练

• 10.3 word2vec的实现

• 10.4 子词嵌入（fastText）

• 10.5 全局向量的词嵌入（GloVe）

• 10.6 求近义词和类比词

• 10.7 文本情感分类：使用循环神经网络

• 10.8 文本情感分类：使用卷积神经网络（textCNN）

• 10.9 编码器—解码器（seq2seq）

• 10.10 束搜索

• 10.11 注意力机制

• 10.12 机器翻译

怎样使用这一项目

作者在项目介绍中提供了两种使用方法，你可以从网页上阅读全书和配套代码，并一步一步跟着复现。当然，还有另一种本地浏览的方法。

具体而言，你需要首先安装 docify-cli 工具：

npm i docsify-cli -g

接着将本项目 clone 到本地并进入目录：

git clone https://github.com/TrickyGo/Dive-into-DL-TensorFlow2.0
cd Dive-into-DL-TensorFlow2.0

然后可以运行一个本地服务器，你可以在浏览器中输入 http://localhost:3000，然后就可以实时访问文档并查看渲染效果了。

docsify serve docs

机器之心「SOTA模型」：22大领域、127个任务，机器学习 SOTA 研究一网打尽。