* 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。