本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。
阿斯顿.张（Aston Zhang），亚马逊资深科学家，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习和自然语言处理的研究，荣获深度学习国际顶级学术会议ICLR杰出论文奖、ACM UbiComp杰出论文奖以及ACM SenSys最佳论文奖提名。他担任过EMNLP领域主席和AAAI资深程序委员。
扎卡里.C. 立顿（Zachary C. Lipton），美国卡内基梅隆大学机器学习和运筹学助理教授，并在海因茨公共政策学院以及软件和社会系统系担任礼节性任命。他领导着近似正确机器智能（ACMI）实验室，研究涉及核心机器学习方法、其社会影响以及包括临床医学和自然语言处理在内的各种应用领域。他目前的研究重点包括处理各种因果结构下分布变化的稳健和自适应算法、超越预测为决策提供信息（包括应对已部署模型的战略响应）、医学诊断和预后预...
- 李沐等大咖联合编撰，全球400多所大学采用的经典教材。
- 基于PyTorch框架，提供可在线运行的Jupyter交互式代码。
- 涵盖从基础数学到Transformer、预训练等前沿深度学习技术。
- 具备Python基础及线性代数、微积分知识的大学生。
- 希望系统掌握深度学习原理与PyTorch实践的工程师。
- 从事计算机视觉、自然语言处理等领域的研究人员。
- 建议配合李沐老师的视频课程学习，效果更佳。
- 务必动手运行代码，通过修改参数观察结果加深理解。
- 部分章节数学推导较难，可先理解代码逻辑再深究公式。
- 代码质量高，理论与实践结合紧密，是入门神作。
- 中文翻译存在瑕疵，部分读者建议直接阅读英文原版。
- 内容深度适中，适合有一定基础者进阶，纯小白需耐心。
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
- "几年前……机器学习是一门具有前瞻性的学科，在真实世界的应用范围很窄。而那些相关应用，如语音识别和计算机视觉，需要大量的领域知识，以至于他们通常被认为是完全独立的领域，而机器学习对这些领域来说只是一个小组件。"
- "仍然缺乏对各种技术的正式解释，这既是因为描述这些模型的数学理论可能非常困难，也是因为对这些主题的认真研究最近才进入高潮"
- "关键组件 1、可以用来学习的数据（data）"
- "当每个样本的特征类别数量都相同的时候，其特征向量是固定长度的，这个长度被称为数据的维度（dimensionality）。固定长度的特征向量是一个方便的属性，它可以用来量化学习的大量样本。深度学习的一个主要优势是可以处理不同长度的数据。"
- "2、如何转换数据的模型"
- "3、一个目标函数（objective function），用来量化模型的有效性"
- "调整模型参数以优化目标函数的算法（algorithm）"
- "为读者展示如何在实际中解决问题。为了给读者提供一种交互式的学习体验本书不但提供免费的教学视频和讨论区，而且提供可运行的Jupyter记事本文件，充分利用Jupyter记事本能将文字、代码、公式和图像统一起来的优势。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验，从而带给读者全新的、多方位交互式的深度学 体验。本书面向希望了解深度学习，特别是对实际学习感兴趣的大学生、工程师和研究人员。本书不要求读者有任何深度学习或者机器学习的背景知识，读者只需具备基本的数学和编程知识，如基础的线性代数、微分、概率及Python编程知识。本书第2章提供了书中涉及的主要数学知识，供读"
