D2lzh

* 第1章： 深度学习前言

* 第2章： 预备知识
* 2.1. 数据操作
* 2.2. 数据预处理
* 2.3. 线性代数
* 2.4. 微分
* 2.5. 自动求导
* 2.6. 概率
* 2.7. 查阅文档

* 第3章：线性神经网络
* 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
* 3.6. softmax回归的从零开始实现
* 3.7. softmax回归的简洁实现

* 第4章： 多层感知机
* 4.1. 多层感知机
* 4.2. 多层感知机的从零开始实现
* 4.3. 多层感知机的简洁实现
* 4.4. 模型选择、欠拟合和过拟合
* 4.5. 权重衰减
* 4.6. Dropout
* 4.7. 正向传播、反向传播和计算图
* 4.8. 数值稳定性和模型初始化
* 4.9. 环境和分布偏移
* 4.10. 实战 Kaggle 比赛：预测房价

* 第5章： 深度学习计算
* 5.1. 层和块
* 5.2. 参数管理
* 5.3. 延后初始化
* 5.4. 自定义层
* 5.5. 读写文件
* 5.6. GPU

* 第6章： 卷积神经网络
* 6.1. 从全连接层到卷积
* 6.2. 图像卷积
* 6.3. 填充和步幅
* 6.4. 多输入多输出通道
* 6.5. 池化层
* 6.6. 卷积神经网络（LeNet）

* 第7章： 现代卷积神经网络
* 7.1. 深度卷积神经网络（AlexNet）
* 7.2. 使用块的网络（VGG）
* 7.3. 网络中的网络（NiN）
* 7.4. 含并行连结的网络（GoogLeNet）
* 7.5. 批量归一化
* 7.6. 残差网络（ResNet）
* 7.7. 稠密连接网络（DenseNet）

* 第8章： 循环神经网络
* 8.1. 序列模型
* 8.2. 文本预处理
* 8.3. 语言模型和数据集
* 8.4. 循环神经网络
* 8.5. 循环神经网络的从零开始实现
* 8.6. 循环神经网络的简洁实现
* 8.7. 通过时间反向传播


更多未翻译的全新章节请参见已发布的英文版[0.16版](https://github.com/d2l-ai/d2l-en/releases/tag/v0.16.0)。欢迎关注[本书第二版的英文开源项目](https://github.com/d2l-ai/d2l-en/)。我们将同时不断更新中文版，翻译其他章节。

主要改进

* 添加全新第十章“注意力机制“；
* 丰富并修订第一版“计算机视觉”内容，添加“转置卷积“小节，并调整为第十三章。


详细改进

《动手学深度学习》2.0.0-alpha2版较2.0.0-alpha1版增加了21个小节：

* 第10章：注意力机制
* 10.1. 注意力提示
* 10.2. 注意力汇聚：Nadaraya-Watson 核回归
* 10.3. 注意力打分函数
* 10.4. Bahdanau 注意力
* 10.5. 多头注意力
* 10.6. 自注意力和位置编码
* 10.7. Transformer

* 第13章： 计算机视觉
* 11.1. 图像增广
* 11.2. 微调
* 11.3. 目标检测和边界框
* 11.4. 锚框
* 11.5. 多尺度目标检测
* 11.6. 目标检测数据集
* 11.7. 单发多框检测（SSD）
* 11.8. 区域卷积神经网络（R-CNN）系列
* 11.9. 语义分割和数据集
* 11.10. 转置卷积
* 11.11. 全卷积网络（FCN）
* 11.12 样式迁移
* 11.13. 实战Kaggle比赛：图像分类（CIFAR-10）
* 11.14. 实战Kaggle比赛：狗的品种识别（ImageNet Dogs）

更多未翻译的全新章节请参见已发布的[英文开源项目](https://github.com/d2l-ai/d2l-en/)。我们将同时不断更新中文版，翻译其他章节。

主要特点

主要特点

我们的初衷是让更多人更容易地使用深度学习。为了让大家能够便利地获取这些资源，我们保留了免费的网站内容，并且通过不收取出版稿费的方式来降低纸质书的价格，使更多人有能力购买。

* 深度学习简介
* 预备知识
* 深度学习基础
* 深度学习计算
* 卷积神经网络
* 循环神经网络
* 优化算法
* 计算性能
* 计算机视觉
* 自然语言处理
* 附录

本书的英文版 Dive into Deep Learning 自本周起被用作加州大学伯克利分校2019年春学期“Introduction to Deep Learning”课程的教材。英文版0.5版已发布：https://github.com/d2l-ai/d2l-en/releases/tag/v0.5.0


主要改动
=================

* 新增了以下章节
* 前言
* 多尺度目标检测
* word2vec的实现
* 文本情感分类：使用卷积神经网络（textCNN）
* 如何为本书贡献

* 重写了以下篇章
* 卷积神经网络
* 循环神经网络
* 优化算法
* 计算机视觉
* 自然语言处理

* 将大部分篇章中“从零开始实现”与“简洁实现”由两节合并为了一节，从而减少重复代码

* 改进了或新增了所有章节的表述、代码和图示

* 新增了概念，如特征图、感受野、卷积求导、变换器（Transformer）、BERT预训练模型

* 改进了HTML和PDF的样式

* 将本书的网址由`zh.gluon.ai`改为了`zh.d2l.ai`

* 将本书的Python包的名称由`gluonbook`改为了`d2lzh`


感谢本书的125位贡献者
=================
许致中、邓杨、崔永明、Aaron Sun、陈斌斌、曾元豪、周长安、李昂、王晨光、Chaitanya Prakash Bapat、金杰、赵小华、戴作卓、刘捷、张建浩、梓善、唐佐林、DHRUV536、丁海、郭晶博、段弘、杨英明、林海滨、范舟、李律、李阳、夏鲁豫、张鹏、徐曦、Kangel Zenn、Richard CUI、郭云鹏、hank123456、金颢、hardfish82、何通、高剑伟、王海龙、htoooth、hufuyu、Kun Hu、刘俊朋、沈海晨、韩承宇、张钟越、罗晶、jiqirer、贾忠祥、姜蔚蔚、田宇琛、王曜、李凯、兰青、王乐园、Leonard Lausen、张雷、鄭宇翔、linbojin、lingss0918、杨大卫、刘佳、戴玮、贾老坏、陆明、张亚鹏、李超、周俊佐、Liang Jinzheng、童话、彭小平、王皓、彭大发、彭远卓、黄焖鸡、解浚源、彭艺宇、刘铭、吴俊、刘睿、张绍明、施洪、刘天池、廖翊康、施行健、孙畔勇、查晟、郑帅、任杰骥、王海珍、王鑫、wangzhe258369、王振荟、周军、吴侃、汪磊、wudayo、徐驰、夏根源、何孝霆、谢国超、刘新伟、肖梅峰、黄晓烽、燕文磊、王贻达、马逸飞、邱怡轩、吴勇、杨培文、余峰、Peng Yu、王雨薇、王宇翔、喻心悦、赵越、刘忆智、张航、郑达、陈志、周航、张帜、周远、汪汇泽、谢乘胜、aitehappiness、dutzhang、孙焱

讨论链接：https://discuss.gluon.ai/t/topic/10572