让每个公式旁边都摆着一段能跑的代码：《动手学深度学习》为何成为开源教材标杆

一本书的四位作者与一场出版实验

这本教材由当时任职于亚马逊的李沐、阿斯顿·张（Aston Zhang）、扎卡里·立顿（Zachary Lipton）与亚历山大·斯莫拉（Alexander Smola）等人共同发起撰写——李沐为卡内基梅隆大学计算机博士、亚马逊资深首席科学家，这个「工业界科学家写教科书」的组合从一开始就带着鲜明的工程气质^[2]。项目以开源形式在 GitHub 上持续迭代多年，中文社区累计贡献者超过两百位^[1]；纸质中文版则交由人民邮电出版社出版，《动手学深度学习（PyTorch 版）》于 2023 年 2 月推出第 1 版（各语言、各框架版本的时间线以其官网与出版社信息为准）^[3]。

它的里程碑意义不在于「又一本深度学习教材」，而在于出版形态本身：全书内容在网页上免费开放，每一小节都是一个可以运行、可以修改的 Jupyter 记事本，读者读完理论立刻能跑代码、改参数、看结果^[4]。传统教材「出版即冻结」，而这本开源书随领域演进而修订——在深度学习技术一年一变的年代，这种「活的书」形态本身就是一种回答。

「可运行」理念的三个支点

把官网的自我描述拆开看，「可运行的教科书」建立在三个支点上^[1]：

框架覆盖与翻译生态

一本开源教材能走多远，取决于它嫁接的生态有多宽。D2L 在两个维度上都做得相当扎实：

给自学者的六步学习路线

1. 搭好环境再开卷

   安装 Python 与选定的深度学习框架，按官网指引配置运行环境或直接使用云端 Notebook 服务，确保第一章示例能在本地跑通^[1]。

2. 从线性回归打地基

   前几章的线性回归、softmax 回归与多层感知机看似简单，却是全书一切模型的母体——亲手实现一次反向传播，胜过十遍纸上谈兵。

3. 进入卷积神经网络

   CNN 一章是理解计算机视觉应用的钥匙，重点体会「层级特征提取」为何有效，顺手跑通图像分类的经典实验。

4. 啃下序列模型与注意力机制

   循环网络到注意力再到 Transformer 的演进线，正是当今大语言模型的技术源头，这一段值得反复推导加复现。

5. 按需选修进阶专题

   优化算法、计算性能、自然语言处理等章节可结合自身方向选读，不必追求一次通读全书。

6. 用输出倒逼输入

   复现书中实验、参加入门级数据竞赛、对照论文精读系列视频，把「读过」变成「会讲」再变成「会做」。

为什么它被全球高校写进课程大纲

教材市场从不缺深度学习书籍，D2L 能被众多高校用作教材或参考书，背后有几个可以拆开来讨论的原因^[1]：

当然它并非没有门槛：数学基础薄弱的读者仍会在推导处吃力，代码环境配置也可能劝退一部分初学者。但瑕不掩瑜——在「如何教会一代人深度学习」这道题上，这本免费的开源书交出了被广泛认可的答卷，其影响力早已超出中文世界，成为全球 AI 教育基础设施的一部分。

常见问题

• 《动手学深度学习》适合零基础读者吗？

  建议至少具备基本的 Python 编程能力与高等数学、线性代数基础。零基础读者可以边补边学，前几章从线性回归讲起坡度平缓，环境配置部分也给出了详细的安装指引。

• 在线版是免费的吗？需要买纸质书吗？

  中英文在线版全文免费开放，代码全部托管在 GitHub 上；纸质版由人民邮电出版社等渠道发行，购买与否不影响在线学习，版次信息以出版社页面为准^[2]。

• 应该选择哪个框架版本学习？

  项目提供 PyTorch、TensorFlow 与百度飞桨等多个框架的实现，中文纸质主线为 PyTorch 版；初学者建议跟随主线版本，便于对照社区讨论与配套资源^[5]。

• 它与吴恩达课程、《花书》如何搭配？

  常见的组合是用视频课程建立直觉、用 D2L 动手实践、用理论专著查漏补缺，三者层次互补并无替代关系；顺序因人而异，关键是保证「每个学过的模型都亲手跑过」。

• 学完这本书能达到什么水平？

  可以独立实现与训练常见的深度学习模型，读懂多数入门级论文的实验部分，并具备继续深入专项方向的底子；距离科研前沿还需要论文阅读与工程实践的长期积累，指望一本书直达专家水平并不现实。