机器心脏精加工 　　

　　

　　参与：一鸣 　　

　　

　　还记得李牧的《动手学深度学习》吗？最近书的TF2.0代码复制项目来了。 　　

　　

　　加州大学伯克利分校李牧分校的《动手学深度学习》开源图书自推出以来广受好评。很多开发者使用书中的内容，用各种深度学习框架来重现。就机器之心所知，现在有MXnet(原版)和PyTorch两个版本。 　　

　　

　　最近《动手学深度学习》本书有了新的复制代码版本——tensor flow 2.0版。这个项目在12月9日登上了GitHub热榜，一天之内获得了一百颗星。 　　

　　

　　 　　

　　

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

　　

　　据项目作者介绍，该项目基于该书中文版的更新重建，代码参考PyTorch版本。目前项目已经更新到第五章，还在更新中。 　　

　　

　　本项目的两位主要作者来自北京大学软件与微电子学院。这个项目已经得到李牧先生本人的批准。 　　

　　

　　 　　

　　

　　TF2.0 版的 《动手学》 怎么样 　　

　　

　　这个项目包括两个文件夹，code和doc。Code以Jupyter格式存储代码，而doc是md格式的图书文件。因为原著用的是MXnet，所以代码和文字略有不同。 　　

　　

　　书籍内容展示 　　

　　

　　考虑到md格式并不能很好的展现公式，作者用DOCSIFY(https://DOCSIFY . js . org/#/zh-cn/)将正文转移到GitHub页面，你可以像浏览网页一样阅读全书。 　　

　　

　　网站地址：https://trickygo.github.io/Dive-into-DL-TensorFlow2.0 　　

　　

　　 　　

　　

　　从网页上看，目前确实更新了第五章，但考虑到这是一个小团队完成的代码重构工作，完成这么多并不容易。 　　

　　

　　代码展示 　　

　　

　　书中代码和正文穿插，可以边读边写代码复制，随时随地查看结果。 　　

　　

　　 　　

　　

　　以“构建MLP网”为例，作者提供了最Python的重现方法——在TF2.0的代码中为模型定义一个类，继承tf.keras.Model的基类，这是一个安全的方法。 　　

v class="pgc-img">

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-TensorFlow2.0cd 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