书籍推荐：动手学深度学习

去年入学时导师要求学习深度学习相关的知识，我找了不少资料，最后接触到了《动手学深度学习》这本书。读完之后，我觉得它比较适合想系统入门深度学习、又希望尽量把理论和实践结合起来的同学，所以整理一下我的学习感受，顺便做个推荐。

适合谁

《动手学深度学习》（Dive into Deep Learning，D2L）是一本由李沐、阿斯顿·张、扎卡里·C·立顿和亚历山大·J·斯莫拉合著的深度学习教材。它的特点不是只讲概念，而是尽量把公式、代码和实际案例放在一起，帮助读者更快建立起对深度学习的整体认识。

这本书比较合适：

• 想系统学习深度学习，但又不想只停留在“看懂名词”这一步。
• 希望边学边练，通过代码验证自己对概念的理解。
• 已经接触过一点机器学习，想进一步过渡到神经网络、卷积神经网络、循环神经网络等内容。
• 需要一本可以反复查阅、后面还能继续用得上的教材。

优点

这本书的优点，是它对“学习”和“动手”之间关系的处理比较自然。很多教材会把理论讲得很完整，但读完后还是不知道怎么开始做；D2L 则是把每一节做成可以运行的 Jupyter 记事本，读者可以直接改代码、调参数、看结果，这样理解会更扎实一些。

它还有几个比较明显的优点：

• 内容组织清晰，文字、公式和图示搭配得比较好，读起来不会太散。
• 不只是讲“怎么用”，会从零开始解释一些常见模型和算法的实现思路。
• 提供了 PyTorch、NumPy/MXNet、TensorFlow 和 PaddlePaddle 等不同版本的实现，方便按自己的环境选择。
• 真实数据和可交互代码结合，适合边学边验证。

全书结构

整本书按学习顺序大致分成三个部分：

• 第一部分是基础知识和预备知识，主要帮助读者建立后面的学习底座。
• 第二部分集中讲现代深度学习技术，是全书最核心的部分。
• 第三部分讨论可伸缩性、效率和应用，更偏向实际落地和工程思路。

第一部分非常重要，学的时候会发现，前面的概念如果没有吃透，后面看卷积神经网络、循环神经网络这些内容会比较吃力。

第二部分需要认真学习，里面涵盖了很多常见的模型和算法，比如卷积神经网络（CNN）和循环神经网络（RNN）。

第三部分对有实际应用需求很有帮助，尤其在考虑模型效率、扩展性和部署问题时。

重点章节

对于遥感方向的学生来说，我个人建议至少把第一章到第十三章认真看完。这样可以先把基础知识和视觉相关内容学扎实，后面的章节再根据自己的兴趣和研究方向有选择地学习。

如果时间比较紧，也可以优先保证以下内容：

• 基础知识和预备知识
• 线性神经网络与多层感知机
• 卷积神经网络相关章节
• 如果后续有需要，再继续学习注意力机制、优化方法

使用建议

开始读这本书之前，要先把运行环境准备好。这样后面看代码、改参数、跑实验的时候会顺很多。

我自己当时先看的是 PaddlePaddle 版本的代码，不过 Paddle 和 Torch 版本的主体内容差别不大。从生态、资料和使用体验来看，我还是更推荐PyTorch。

一般用 conda 管理环境，创建一个单独的学习环境：

# 创建一个新的环境，命名为d2l，安装python 3.9版本
conda create -n d2l python=3.9 -y
# 激活环境
conda activate d2l

安装好环境之后，安装相关的库：

# 安装pytorch和torchvision
pip install torch==1.12.0
pip install torchvision==0.13.0
# 安装d2l包，以便调取书中的函数和类
pip install d2l==0.17.6
# 安装jupyter 用来在vscode中运行jupyter notebook
pip install jupyter

把书中的代码克隆或者下载到本地，解压后用 VS Code 打开文件夹，安装 Python 和 Jupyter 插件，再把 Notebook 的内核切换到刚才创建的环境，就可以直接运行示例代码了。

学习感受

研一课程比较多，学习这本书也断断续续花了半年。虽然进度不算快，但读完之后感觉收获还是比较明显的，尤其是对一些基础概念和常见算法的理解，比一开始只看零散文章时更系统了。

如果你也在找一本适合入门的深度学习教材，推荐《动手学深度学习》。

遇到不懂的地方，多看几遍，多跑几次代码，看看论坛的讨论，用用ai辅助理解，都能慢慢理顺。