Dive-into-DL-PyTorch

图1：本书封面——《动手学深度学习》PyTorch版

一位学生，如何改变了数万人学深度学习的方式？

故事要从 2019 年说起。彼时，亚马逊上海研究院研究员、卡内基梅隆大学博士李沐等人撰写的中文开源教材《动手学深度学习》正在 GitHub 上迅速走红。这本书以"代码即公式"的理念，将数学推导、PyTorch/MXNet 实现与直觉解释融为一体，成为中文互联网最受欢迎的深度学习入门教材。

然而，原书所有代码基于 MXNet 框架实现。对于中国开发者而言，MXNet 的社区活跃度和框架成熟度远不如 PyTorch——后者在 2019 年已成为最流行的深度学习框架。一个浙江大学的在读硕士研究生敏锐地察觉到了这个痛点：他叫唐书穗（ShusenTang），决定将整本书的代码从 MXNet 迁移到 PyTorch，并配套编写完整的中文文档。

这个项目的 GitHub 仓库如今已斩获 19,388 颗 Stars，位列全球前 3% 开源项目，影响了数十万深度学习学习者。

类比解释：一份「中文版 PyTorch 深度学习驾照」

如果把深度学习比作开车，那么传统教科书相当于"给你一本发动机原理手册再让你上车"。而《动手学深度学习》PyTorch 版则像一位耐心的教练——左手是理论，右手是代码，两者始终对齐。

你可以把本项目理解为：一份针对 PyTorch 框架的中文深度学习驾照考试教材，配有全套模拟题（Notebook）和交通规则详解（文档）。

图2：CNN 实战示例——猫狗图像分类任务示意

核心内容：覆盖深度学习完整知识体系

项目内容严格对齐原书，涵盖以下 10 个章节：

第 1 章 深度学习简介：建立宏观认知，理解什么是深度学习、它能做什么。

第 2 章 预备知识：Python 基础、PyTorch 张量（Tensor）操作、自动求梯度（autograd）机制。这一章是整本书的地基。

第 3 章 深度学习基础：线性回归、Softmax 回归、多层感知机（MLP）。每个知识点都给出「从零实现」和「PyTorch 简洁实现」两个版本——前者帮助理解原理，后者展示工业用法。

第 4 章 深度学习计算：模型构造、参数管理、自定义层、GPU 加速。这是进入实战的桥梁章节。

第 5 章 卷积神经网络（CNN）：二维卷积、填充/步幅、多通道、池化层，以及 LeNet、AlexNet、VGG、GoogLeNet、ResNet 等经典 CNN 架构的 PyTorch 实现。

第 6 章 循环神经网络（RNN）：序列建模、语言模型、RNN 实现、LSTM 和 GRU 的原理与代码。

第 7 章 优化算法：SGD、Momentum、Adagrad、RMSProp、Adam 等主流优化器的原理对比与 PyTorch 实现。

第 8 章 计算性能：多 GPU 训练、混合精度、分布式训练等进阶内容。

第 9 章 计算机视觉：目标检测（RCNN 系列）、语义分割（FPN 等），以及特征图可视化和迁移学习实战。

第 10 章 自然语言处理：词嵌入（Word2Vec）、Seq2Seq、注意力机制（Attention），以及 BERT 等预训练模型的入门介绍。

图3：书籍目录概览——10 大章节覆盖深度学习全领域

技术架构：docsify + Jupyter Notebook 的双轨学习系统

本项目的技术架构极为简洁，却极其高效：

• docs/ 目录：存放 Markdown 格式的文档，通过 docsify 静态生成网站，托管在 GitHub Pages（tangshusen.me/Dive-into-DL-PyTorch）。无需数据库，任何人都可以免费访问。
• code/ 目录：每个章节配有 Jupyter Notebook（.ipynb），可直接在本地 Jupyter 或 Google Colab 中运行。
• Dockerfile：提供基于 docsify-cli 的 Docker 镜像，不想装 Node.js 的用户可以直接 docker build -t d2dl . && docker run -dp 3000:3000 d2dl 启动本地文档服务。

文档与代码一一对应，每个知识点都有「原理说明 → 数学公式 → 从零实现 → PyTorch 简洁实现」四步走。这种编排方式让学生既能理解底层逻辑，又能看到工业级代码长什么样。

上手门槛：几乎为零

本项目的目标人群是「有一点 Python 基础和线性代数基础的学习者」，不要求任何机器学习背景。官方提供三种阅读方式：

1. 直接访问线上文档（推荐）：零安装，直接打开 tangshusen.me/Dive-into-DL-PyTorch，阅读体验最佳（支持 LaTeX 公式渲染）。
2. 本地 docsify 预览：安装 Node.js 后，docsify serve docs 即可在 localhost:3000 实时预览。适合想离线阅读或修改文档的用户。
3. Docker 一键启动：一行 docker run 搞定所有环境，完全不污染本地系统。

所有 Jupyter Notebook 代码均可在 Google Colab 中直接打开运行，GPU 环境由 Google 免费提供，降低了硬件门槛。

局限与争议

必须客观指出本项目的几个局限性：

1. 更新停滞：代码最近一次更新停留在 2021 年 10 月，PyTorch 版本较旧（1.x 时代），新版本 PyTorch 2.x 的 torch.compile()、FlashAttention 等新特性未涵盖。
2. 非官方衍生项目：原书（d2l.ai）官方已推出 PyTorch 版（由亚马逊团队维护，持续更新），本项目属于社区自发维护的非官方翻译版，存在与原书内容不同步的风险。
3. 仅中文内容：主要面向中文读者，英文读者更适合参考 dsgiitr/d2l-pytorch。

行业意义：为什么这个项目值得关注？

本项目代表了中文开源社区的一种重要模式：框架迁移型学习资源。当一个主流框架（MXNet）被另一个框架（PyTorch）超越时，社区自发组织翻译工作，让学习者能够使用更流行的工具学习相同的知识。

截至目前，项目 Star 增长曲线平稳，表明深度学习入门教育需求持续旺盛。随着 PyTorch 在学术和工业界的统治地位进一步巩固，这类 PyTorch 版教材的需求只会越来越大。

对于 AI 开发者而言，本项目既是入门教材，也是查阅 PyTorch API 用法的参考手册；对于 AI 爱好者，它是理解深度学习原理的最佳起点之一。