用d2l-vi打好深度学习地基数组、自动微分与微积分实战指南【免费下载链接】d2l-viMột cuốn sách về Học Sâu đề cập đến nhiều framework phổ biến, được sử dụng trên 300 trường Đại học từ 55 đất nước bao gồm MIT, Stanford, Harvard, và Cambridge.项目地址: https://gitcode.com/gh_mirrors/d2/d2l-vid2l-vi 是经典开源深度学习教材《Dive into Deep Learning》的越南语翻译版被 MIT、Stanford、Harvard 等全球 55 个国家超过 300 所大学采用。对于零基础新手来说与其直接跳进神经网络的黑箱不如先跟着它的预习章节chapter_preliminaries/把三块地基打牢数组ndarray操作、微积分直觉、自动微分Autograd。这篇文章带你快速看懂这三块基石的核心价值并给出可落地的学习路径。一、为什么新手要先学预习章深度学习的训练本质是一个不断循环优化的过程生成模型 → 抓取新数据 → 评估好坏 → 更新模型。理解这个循环你才能明白数组、微积分、自动微分各自在哪里发力。书中预习章节chapter_preliminaries/index.md的编排逻辑正是围绕这个循环展开的数据要存得下、算得快→ 数组与线性代数参数要靠梯度调整→ 微积分梯度不用手算→ 自动微分预测本质是概率判断→ 概率统计 建议把这一章当作整本书的热身赛约 1~2 天即可通读后面所有章节都会反复用到这里的概念。二、数组ndarray深度学习的数据地基30秒建立心智模型数据是一切的前提。d2l-vi 用n维数组也称张量 tensor来统一表示所有数据维度名称典型用途1 轴向量一条样本的特征列表2 轴矩阵一张图像、一批样本k 轴k2高阶张量带通道和批次的图像数据集这一章的内容在 chapter_preliminaries/ndarray.md核心就三个能力创建从零矩阵、随机矩阵到等差向量几行 API 即可生成任意形状的数据变形用reshape在不改动元素的情况下自由改变形状比如把 12 个数字看成 3×4 的矩阵还能用-1让框架自动推算某一维运算逐元素算术、点积、矩阵乘法全部向量化执行为什么是 ndarray 而不是普通列表两个杀手级特性让你离不开它GPU 加速NumPy 只能跑在 CPU 上而框架张量类MXNet 的ndarray、PyTorch 的Tensor、TensorFlow 的Tensor可以无缝搬到 GPU支持自动微分为后续的模型训练埋下伏笔这也是 d2l-vi 全书统一围绕张量编程的原因——你在预习章养成的习惯可以直接迁移到后面所有网络模型章节。三、微积分用导数瞄准最优参数导数到底在做什么训练模型 不断缩小损失函数衡量模型有多糟的分数。而缩小损失的方向就藏在导数里导数告诉你——某个参数如果悄悄增大一点损失会上升还是下降、变化有多快。chapter_preliminaries/calculus.md 从古希腊穷竭法算圆面积的典故讲起把微积分拉回它的原始使命解决怎么做到最好这类优化问题。你只需要掌握三件事导数定义极限意义下的瞬时变化率常用求导法则常数、幂函数、求和、乘积、商法则多元扩展偏导数与梯度——每个参数方向上的坡度组合就是模型下山的方向 新手提示不必纠结严格证明重点是建立梯度指向损失变快方向、负梯度指向变好方向的直觉这正是后面优化章梯度下降的出发点。四、自动微分Autograd让框架替你求导手写梯度有多痛模型一旦复杂手推每个参数的导式不仅繁琐还极易出错。d2l-vi 的解法是自动微分chapter_preliminaries/autograd.md前向计算按你的代码记录一张计算图跟踪每个操作反向传播调用一次backward()框架沿计算图倒推自动填好每个参数的梯度读取结果通过.grad属性拿到梯度直接进入参数更新书中用y 2xᵀx这个小例子演示了完整流程声明张量 → 开启记录 → 前向计算 → 反向传播 → 验证梯度是否等于理论值4x。三个框架MXNet / PyTorch / TensorFlow的写法略有差异但思想完全一致。两个高频细节值得记住梯度会累积PyTorch 默认累加梯度重复训练前要手动清零非标量输出对向量调用backward时框架会先对元素求和再反向传播五、多框架实战一套内容跑通三大框架d2l-vi 的最大亮点之一是同一份内容提供MXNet、PyTorch、TensorFlow三个前端实现。底层逻辑可以概括为语言前端 → 框架后端调度器、算子内核→ CPU/GPU 计算设备。对应的工具源码就在项目根目录的 d2l/ 文件夹中每个框架一个工具模块工具模块MXNetd2l/mxnet.py工具模块PyTorchd2l/torch.py工具模块TensorFlowd2l/tensorflow.py 建议新手先选一个框架跟到底社区中最流行的是 PyTorch把概念 → 三个版本对照当作进阶练习而不是一上来就三套都学。六、学习路线清单与配套资料顺序章节文件核心收获1chapter_preliminaries/ndarray.md张量的创建、变形与运算2chapter_preliminaries/linear-algebra.md向量、矩阵、点积与矩阵乘法3chapter_preliminaries/calculus.md导数、偏导数与梯度的直觉4chapter_preliminaries/autograd.md计算图与反向传播5chapter_preliminaries/probability.md概率语言支撑预测与不确定性6chapter_preliminaries/pandas.md表格数据读写与预处理7chapter_preliminaries/lookup-api.md学会自己查官方文档 API 完成这 7 篇后你就拿到了通往线性回归、多层感知机和后面所有章节的通行证。数学深度不够可以补看数学附录 chapter_appendix-mathematics-for-deep-learning/index.md 中的单变量/多变量微积分和线性代数章节。地基打牢才谈得上高楼。按照数组 → 微积分 → 自动微分这条主线走通 d2l-vi 的预习章你对深度学习训练循环的理解就不再停留在概念层而是每一步都知道数据怎么流动、梯度从哪来、参数往哪更新。【免费下载链接】d2l-viMột cuốn sách về Học Sâu đề cập đến nhiều framework phổ biến, được sử dụng trên 300 trường Đại học từ 55 đất nước bao gồm MIT, Stanford, Harvard, và Cambridge.项目地址: https://gitcode.com/gh_mirrors/d2/d2l-vi创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考