加载中...

SUPPORT

觉得内容有帮助？请站长喝杯咖啡 ☕

网站所有内容免费，但运维不免费 😭 AI、服务器、域名……你的支持将用来维持网站正常运行，让这个小站还能继续写下去~

微信赞助收款二维码

打开微信扫一扫 · 金额随意

首页知识库教程工具博客资讯术语表面试题库关于?个人中心

← 返回课程

动手学深度学习

5 / 269·markdown

appendix tools for deep learning

01Using AWS EC2 Instances
02使用Amazon EC2实例
03Contributing to This Book
04为本书做贡献
05`d2l` API Document
06`d2l` API 文档
07Appendix: Tools for Deep Learning
08Using Jupyter Notebooks
09使用Jupyter Notebook
10Using Amazon SageMaker
11使用Amazon SageMaker
12Selecting Servers and GPUs
13选择服务器和GPU

attention mechanisms

14Attention Cues
15注意力提示
16Attention Scoring Functions
17注意力评分函数
18Bahdanau Attention
19Bahdanau 注意力
20Attention Mechanisms
21Multi-Head Attention
22多头注意力
23Attention Pooling: Nadaraya-Watson Kernel Regression
24注意力汇聚：Nadaraya-Watson 核回归
25Self-Attention and Positional Encoding
26自注意力和位置编码
27Transformer
28Transformer

computational performance

29Asynchronous Computation
30异步计算
31Automatic Parallelism
32自动并行
33Hardware
34硬件
35Compilers and Interpreters
36编译器和解释器
37Computational Performance
38Training on Multiple GPUs
39Concise Implementation for Multiple GPUs
40多GPU的简洁实现
41多GPU训练
42Parameter Servers
43参数服务器

computer vision

44Anchor Boxes
45锚框
46Object Detection and Bounding Boxes
47目标检测和边界框
48Fully Convolutional Networks
49全卷积网络
50Fine-Tuning
51微调
52Image Augmentation
53图像增广
54Computer Vision
55Image Classification (CIFAR-10) on Kaggle
56实战 Kaggle 比赛：图像分类 (CIFAR-10)
57Dog Breed Identification (ImageNet Dogs) on Kaggle
58实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
59Multiscale Object Detection
60多尺度目标检测
61Neural Style Transfer
62风格迁移
63The Object Detection Dataset
64目标检测数据集
65Region-based CNNs (R-CNNs)
66区域卷积神经网络（R-CNN）系列
67Semantic Segmentation and the Dataset
68语义分割和数据集
69Single Shot Multibox Detection
70单发多框检测（SSD）
71Transposed Convolution
72转置卷积

convolutional modern

73Deep Convolutional Neural Networks (AlexNet)
74深度卷积神经网络（AlexNet）
75Batch Normalization
76批量规范化
77Densely Connected Networks (DenseNet)
78稠密连接网络（DenseNet）
79Networks with Parallel Concatenations (GoogLeNet)
80含并行连结的网络（GoogLeNet）
81Modern Convolutional Neural Networks
82Network in Network (NiN)
83网络中的网络（NiN）
84Residual Networks (ResNet)
85残差网络（ResNet）
86Networks Using Blocks (VGG)
87使用块的网络（VGG）

convolutional neural networks

88Multiple Input and Multiple Output Channels
89多输入多输出通道
90Convolutions for Images
91图像卷积
92Convolutional Neural Networks
93Convolutional Neural Networks (LeNet)
94卷积神经网络（LeNet）
95Padding and Stride
96填充和步幅
97Pooling
98汇聚层
99From Fully-Connected Layers to Convolutions
100从全连接层到卷积

deep learning computation

101Custom Layers
102自定义层
103Deferred Initialization
104延后初始化
105Deep Learning Computation
106Layers and Blocks
107层和块
108Parameter Management
109参数管理
110File I/O
111读写文件
112GPUs
113GPU

installation

114Installation

introduction

115Introduction

linear networks

116The Image Classification Dataset
117图像分类数据集
118Linear Neural Networks
119Linear Regression
120Concise Implementation of Linear Regression
121线性回归的简洁实现
122Linear Regression Implementation from Scratch
123线性回归的从零开始实现
124线性回归
125Softmax Regression
126Concise Implementation of Softmax Regression
127softmax回归的简洁实现
128Implementation of Softmax Regression from Scratch
129softmax回归的从零开始实现
130softmax回归

multilayer perceptrons

131Forward Propagation, Backward Propagation, and Computational Graphs
132前向传播、反向传播和计算图
133Dropout
134暂退法（Dropout）
135Environment and Distribution Shift
136环境和分布偏移
137Multilayer Perceptrons
138Predicting House Prices on Kaggle
139实战Kaggle比赛：预测房价
140Multilayer Perceptrons
141Concise Implementation of Multilayer Perceptrons
142多层感知机的简洁实现
143Implementation of Multilayer Perceptrons from Scratch
144多层感知机的从零开始实现
145多层感知机
146Numerical Stability and Initialization
147数值稳定性和模型初始化
148Model Selection, Underfitting, and Overfitting
149模型选择、欠拟合和过拟合
150Weight Decay
151权重衰减

natural language processing applications

152Fine-Tuning BERT for Sequence-Level and Token-Level Applications
153针对序列级和词元级应用微调BERT
154Natural Language Processing: Applications
155Natural Language Inference and the Dataset
156自然语言推断与数据集
157Natural Language Inference: Using Attention
158自然语言推断：使用注意力
159Natural Language Inference: Fine-Tuning BERT
160自然语言推断：微调BERT
161Sentiment Analysis and the Dataset
162情感分析及数据集
163Sentiment Analysis: Using Convolutional Neural Networks
164情感分析：使用卷积神经网络
165Sentiment Analysis: Using Recurrent Neural Networks
166情感分析：使用循环神经网络

natural language processing pretraining

167Approximate Training
168近似训练
169Bidirectional Encoder Representations from Transformers (BERT)
170The Dataset for Pretraining BERT
171用于预训练BERT的数据集
172Pretraining BERT
173预训练BERT
174来自Transformers的双向编码器表示（BERT）
175Word Embedding with Global Vectors (GloVe)
176全局向量的词嵌入（GloVe）
177Natural Language Processing: Pretraining
178Word Similarity and Analogy
179词的相似性和类比任务
180Subword Embedding
181子词嵌入
182The Dataset for Pretraining Word Embeddings
183用于预训练词嵌入的数据集
184Word Embedding (word2vec)
185Pretraining word2vec
186预训练word2vec
187词嵌入（word2vec）

notation

188Notation

optimization

189Adadelta
190Adadelta
191Adagrad
192AdaGrad算法
193Adam
194Adam算法
195Convexity
196凸性
197Gradient Descent
198梯度下降
199Optimization Algorithms
200Learning Rate Scheduling
201学习率调度器
202Minibatch Stochastic Gradient Descent
203小批量随机梯度下降
204Momentum
205动量法
206Optimization and Deep Learning
207优化和深度学习
208RMSProp
209RMSProp算法
210Stochastic Gradient Descent
211随机梯度下降

preface

212Preface

preliminaries

213Automatic Differentiation
214自动微分
215Calculus
216微积分
217Preliminaries
218Linear Algebra
219线性代数
220Documentation
221查阅文档
222Data Manipulation
223数据操作
224Data Preprocessing
225数据预处理
226Probability
227概率

recurrent modern

228Beam Search
229束搜索
230Bidirectional Recurrent Neural Networks
231双向循环神经网络
232Deep Recurrent Neural Networks
233深度循环神经网络
234Encoder-Decoder Architecture
235编码器-解码器架构
236Gated Recurrent Units (GRU)
237门控循环单元（GRU）
238Modern Recurrent Neural Networks
239Long Short-Term Memory (LSTM)
240长短期记忆网络（LSTM）
241Machine Translation and the Dataset
242机器翻译与数据集
243Sequence to Sequence Learning
244序列到序列学习（seq2seq）

recurrent neural networks

245Backpropagation Through Time
246通过时间反向传播
247Recurrent Neural Networks
248Language Models and the Dataset
249语言模型和数据集
250Recurrent Neural Networks
251Concise Implementation of Recurrent Neural Networks
252循环神经网络的简洁实现
253Implementation of Recurrent Neural Networks from Scratch
254循环神经网络的从零开始实现
255循环神经网络
256Sequence Models
257序列模型
258Text Preprocessing
259文本预处理

references

260chapter references

contrib

261AutoRec：使用自动编码器预测评分
262特征丰富的推荐系统
263因子分解机
264矩阵分解
265MovieLens数据集
266机器翻译
267文本情感分类：使用卷积神经网络（textCNN）
268文本情感分类：使用循环神经网络
269求近义词和类比词

Chapter 05

`d2l` API Document

`d2l` API Document

The implementations of the following members of the d2l package and sections where they are defined and explained can be found in the source file.

mxnet

pytorch

tensorflow

Models

Data

Trainer

Utilities

上一章

为本书做贡献

下一章

`d2l` API 文档

本页镜像自上游仓库，固定版本 e6b18cce。许可证：Apache License 2.0。原文只读，笔记与划线保存在你的助记词身份下。

阅读进度

0%

整课进度0/269 章 · 0%

快捷键：←/→ 换章 · C 完成 · F 专注 · Esc 退出

阅读设置

字号

行宽

行距

本章笔记

选中正文可划线或写笔记。随助记词身份同步，仅自己可见。

暂无笔记。选中一段文字试试。

本章导航

Models
Data
Trainer
Utilities

中文 AI 学习与实践平台。知识库、教程、工具与资讯集中一站，帮你把人工智能真正学到手。

联系support.aimaster.cc@gmail.com

意见反馈 · 内容纠错 · 需求交流

探索

知识库
教程
工具
博客
资讯
术语表
面试题库
关于我们

专题

精选教程
机器学习
深度学习
自然语言处理
计算机视觉

© 2026 AI Master. All rights reserved.

精通人工智能 · ai-master.cc