近日，《动手学深度学习》书又有了一个新的复现代码版本——TensorFlow2.0 版。这一项目登上了 12 月 9 日的 GitHub 热榜，一天获得了百星。

项目作者表示，该项目是基于中文版的书进行的更新和重构，在代码上参考了 PyTorch 版本。目前该项目已更新到第五章，仍在继续更新。

本项目包括 code 和 doc 两个文件夹。其中 code 保存了 Jupyter 格式的代码，而 doc 则是 md 格式的书籍文件。由于原书使用的是 MXnet，因此代码和文本略有不同。

考虑到 md 格式对公式的展示不太优秀，作者使用 docsify (https://docsify.js.org/#/zh-cn/) 将文本转到了 GitHub pages 上，你可以像浏览网页那样阅读全书。

代码展示

全书目录

和之前机器之心介绍过的一样，这里提供全书目录，供读者参考。

• 简介

• 阅读指南

• 1. 深度学习简介

• 2. 预备知识

• 2.1 环境配置
• 2.2 数据操作
• 2.3 自动求梯度
• 2.4 查阅文档

• 3. 深度学习基础

• 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（Fashion-MNIST）

• 3.6 softmax回归的从零开始实现

• 3.7 softmax回归的简洁实现

• 3.8 多层感知机

• 3.9 多层感知机的从零开始实现

• 3.10 多层感知机的简洁实现

• 3.11 模型选择、欠拟合和过拟合

• 3.12 权重衰减

• 3.13 丢弃法

• 3.14 正向传播、反向传播和计算图

• 3.15 数值稳定性和模型初始化

• 3.16 实战Kaggle比赛：房价预测

• 4. 深度学习计算

• 4.1 模型构造

• 4.2 模型参数的访问、初始化和共享

• 4.3 模型参数的延后初始化

• 4.4 自定义层

• 4.5 读取和存储

• 4.6 GPU计算

• 5. 卷积神经网络

• 5.1 二维卷积层

• 5.2 填充和步幅

• 5.3 多输入通道和多输出通道

• 5.4 池化层

• 5.5 卷积神经网络（LeNet）

• 5.6 深度卷积神经网络（AlexNet）

• 5.7 使用重复元素的网络（VGG）

• 5.8 网络中的网络（NiN）

• 5.9 含并行连结的网络（GoogLeNet）

• 5.10 批量归一化

• 5.11 残差网络（ResNet）

• 5.12 稠密连接网络（DenseNet）

• 6. 循环神经网络

• 6.1 语言模型

• 6.2 循环神经网络

• 6.3 语言模型数据集（周杰伦专辑歌词）

• 6.4 循环神经网络的从零开始实现

• 6.5 循环神经网络的简洁实现

• 6.6 通过时间反向传播

• 6.7 门控循环单元（GRU）

• 6.8 长短期记忆（LSTM）

• 6.9 深度循环神经网络

• 6.10 双向循环神经网络

• 7. 优化算法

• 7.1 优化与深度学习

• 7.2 梯度下降和随机梯度下降

• 7.3 小批量随机梯度下降

• 7.4 动量法

• 7.5 AdaGrad算法

• 7.6 RMSProp算法