在过去的五年里，深度学习推动了计算机视觉、自然语言处理、自动语音识别、强化学习和生物医学信息学，甚至是理论机器学习和统计学等多个领域的快速发展。

关于本书

平易近人的概念、背景和代码。

一种结合了代码、数学和HTML的媒介

• 应用深度学习需要同时了解
  • 以特定方式提出问题的动机
  • 给定建模方法的数学
  • 将模型拟合数据的优化算法
  • 能够有效训练模型的工程方法
• 这本书做到
  • 免费
  • 足够的技术深度
  • 可运行的代码
  • 快速更新
  • 论坛互动

在实践中学习

你将在实现某些实际目的所需的非常时刻学习概念。在思考更深奥的概率分布之前，先体会一下训练模型的满足感。

有时，我们想深入研究模型的细节。在这些情况下，我们通常会提供两个版本的示例：一个是从零开始实现一切；另一个使用深度学习框架的高级API。一旦理解一些组件是如何工作的，我们就可以在随后的教程中直接使用高级API了。

内容和结构

三个部分，不同颜色。

• 第一部分：基础知识和预备知识
• 第二部分：集中讨论现代深度学习技术（快速了解大多数现代深度学习应用背后的基本工具）
• 第三部分：讨论可伸缩性、效率和应用程序

代码

• 可执行代码、交互式学习
• 教材使用的封装包：轻量级的d2l软件包，仅需要以下软件包和模块作为依赖项
• 基于Apache MXNet：深度学习的开源框架

目标受众

学生（本科生或研究生）、工程师和研究人员。

不需要过往的深度学习或机器学习背景，只假设你了解一些基础知识，包括线性代数、微积分、概率和非常基础的Python编程。

小结

• 深度学习已经彻底改变了模式识别，引入了一系列技术，包括计算机视觉、自然语言处理、自动语音识别。
• 要成功地应用深度学习，你必须知道如何抛出一个问题、建模的数学方法、将模型与数据拟合的算法，以及实现所有这些的工程技术。
• 这本书提供了一个全面的资源，包括文本、图表、数学和代码。
• 要回答与本书相关的问题，请访问我们的论坛discuss.d2l.ai.
• 所有Jupyter记事本都可以在GitHub上下载。

练习

• 在本书discuss.d2l.ai的论坛上注册帐户。
• 在你的计算机上安装Python。
• 沿着本节底部的链接进入论坛，在那里你可以寻求帮助、讨论这本书，并通过与作者和社区接触来找到问题的答案。