2.2. 数据操作 2.2.1. 创建NDArray 2.2.2. 运算 2.2.3. 广播机制 2.2.4. 索引 2.2.5. 运算的内存开销 2.2.6. NDArray和NumPy相互变换 2.2.7. 小结 2.2.8. 练习 2.2. 数据操作 在深度学习中，我们通常会频繁地对数据进行操作。作为动手学深度学习的基础，本节将...

Getting Started with Katib Katib setup Installing Katib Setting up persistent volumes Accessing the Katib UI Examples Example using random algorithm TensorFlow example PyTorc...

8. 计算性能 8. 计算性能 在深度学习中，数据集通常很大而且模型计算往往很复杂。因此，我们十分关注计算性能。本章将重点介绍影响计算性能的重要因子：命令式编程、符号式编程、异步计算、自动并行计算和多GPU计算。通过本章的学习，你将很可能进一步提升前几章已实现的模型的计算性能，例如，在不影响模型精度的前提下减少模型的训练时间。 8.1. 命令式和...

4.3. 模型参数的延后初始化 4.3.1. 延后初始化 4.3.2. 避免延后初始化 4.3.3. 小结 4.3.4. 练习 4.3. 模型参数的延后初始化 如果做了上一节练习，你会发现模型net 在调用初始化函数initialize 之后、在做前向计算net(X) 之前时，权重参数的形状中出现了0。虽然直觉上initialize 完成了所...

简介 面向人群 食用方法 方法一 方法二 目录 原书地址 引用 本项目 将《动手学深度学习》 原书中MXNet代码实现改为PyTorch实现。原书作者：阿斯顿·张、李沐、扎卡里 C. 立顿、亚历山大 J. 斯莫拉以及其他社区贡献者，GitHub地址：https://github.com/d2l-ai/d2l-zh 此书的中 英 ...

7.3. 小批量随机梯度下降 7.3.1. 读取数据 7.3.2. 从零开始实现 7.3.3. 简洁实现 7.3.4. 小结 7.3.5. 练习 7.3.6. 参考文献 7.3. 小批量随机梯度下降 在每一次迭代中，梯度下降使用整个训练数据集来计算梯度，因此它有时也被称为批量梯度下降（batchgradientdescent）。而随机梯度...

5.5. 卷积神经网络（LeNet） 5.5.1. LeNet模型 5.5.2. 获取数据和训练模型 5.5.3. 小结 5.5.4. 练习 5.5.5. 参考文献 5.5. 卷积神经网络（LeNet） 在“多层感知机的从零开始实现” 一节里我们构造了一个含单隐藏层的多层感知机模型来对Fashion-MNIST数据集中的图像进行分类。每张图...

5.7. 使用重复元素的网络（VGG） 5.7.1. VGG块 5.7.2. VGG网络 5.7.3. 获取数据和训练模型 5.7.4. 小结 5.7.5. 练习 5.7.6. 参考文献 5.7. 使用重复元素的网络（VGG） AlexNet在LeNet的基础上增加了3个卷积层。但AlexNet作者对它们的卷积窗口、输出通道数和构造顺序均...

5.12. 稠密连接网络（DenseNet） 5.12.1. 稠密块 5.12.2. 过渡层 5.12.3. DenseNet模型 5.12.4. 获取数据并训练模型 5.12.5. 小结 5.12.6. 练习 5.12.7. 参考文献 5.12. 稠密连接网络（DenseNet） ResNet中的跨层连接设计引申出了数个后续工作。本节...

5.8. 网络中的网络（NiN） 5.8.1. NiN块 5.8.2. NiN模型 5.8.3. 获取数据和训练模型 5.8.4. 小结 5.8.5. 练习 5.8.6. 参考文献 5.8. 网络中的网络（NiN） 前几节介绍的LeNet、AlexNet和VGG在设计上的共同之处是：先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构...