主要特点

该版本为《动手学深度学习》2.0.0-alpha0版（中文第二版的预览版），翻译自英文版Dive into Deep Learning0.16.1版。目前中英文版已被全球来自40个国家的175所大学采用教学。

与第一版有所不同，该版本的代码部分包含MXNet、PyTorch和TensorFlow三种框架的实现，供读者自由选择。由于深度学习领域发展极为迅速，第二版不仅重新修订了第一版里所有章节的内容（包括文字、数学、图片和代码），还添加了新的内容。

主要改进

• 添加了第二版的在线预览版：zh-v2.d2l.ai；
• 更新了第二版的讨论区：discuss.d2l.ai/c/16；
• 将本书的常用函数包的名称由d2lzh改为了英文版的d2l，并分为mxnet.py、torch.py和tensorflow.py三个模块；
• 丰富并修订了第一章“前言”内容。
• 丰富并修订了第二章“预备知识”内容，例如添加了“数据预处理”、“线性代数”、“微分”和“概率”小节；
• 丰富并修订了第一版第三章“深度学习基础”内容，并分为“线性神经网络”和“多层感知机”两章，例如添加了“环境和分布偏移”小节；
• 丰富并修订了第一版第五章“卷积神经网络”内容，并分为“卷积神经网络”和“现代卷积神经网络”两章，例如添加了“从全连接层到卷积”小节；
• 丰富并修订了第一版第六章“循环神经网络”内容，并分为“循环神经网络”和“现代循环神经网络”两章（后一章稍后发布），例如添加了“序列模型”和“文本预处理”小节；

详细改进

《动手学深度学习》2.0.0-alpha0版一共含50个小节：

• 第1章： 深度学习前言

• 第2章： 预备知识

  • 2.1. 数据操作
  • 2.2. 数据预处理
  • 2.3. 线性代数
  • 2.4. 微分
  • 2.5. 自动求导
  • 2.6. 概率
  • 2.7. 查阅文档

• 第3章：线性神经网络

  • 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
  • 3.6. softmax回归的从零开始实现
  • 3.7. softmax回归的简洁实现

• 第4章： 多层感知机

  • 4.1. 多层感知机
  • 4.2. 多层感知机的从零开始实现
  • 4.3. 多层感知机的简洁实现
  • 4.4. 模型选择、欠拟合和过拟合
  • 4.5. 权重衰减
  • 4.6. Dropout
  • 4.7. 正向传播、反向传播和计算图
  • 4.8. 数值稳定性和模型初始化
  • 4.9. 环境和分布偏移
  • 4.10. 实战 Kaggle 比赛：预测房价

• 第5章： 深度学习计算

  • 5.1. 层和块
  • 5.2. 参数管理
  • 5.3. 延后初始化
  • 5.4. 自定义层
  • 5.5. 读写文件
  • 5.6. GPU

• 第6章： 卷积神经网络

  • 6.1. 从全连接层到卷积
  • 6.2. 图像卷积
  • 6.3. 填充和步幅
  • 6.4. 多输入多输出通道
  • 6.5. 池化层
  • 6.6. 卷积神经网络（LeNet）

• 第7章： 现代卷积神经网络

  • 7.1. 深度卷积神经网络（AlexNet）
  • 7.2. 使用块的网络（VGG）
  • 7.3. 网络中的网络（NiN）
  • 7.4. 含并行连结的网络（GoogLeNet）
  • 7.5. 批量归一化
  • 7.6. 残差网络（ResNet）
  • 7.7. 稠密连接网络（DenseNet）

• 第8章： 循环神经网络

  • 8.1. 序列模型
  • 8.2. 文本预处理
  • 8.3. 语言模型和数据集
  • 8.4. 循环神经网络
  • 8.5. 循环神经网络的从零开始实现
  • 8.6. 循环神经网络的简洁实现
  • 8.7. 通过时间反向传播

更多未翻译的全新章节请参见已发布的英文版0.16版。欢迎关注本书第二版的英文开源项目。我们将同时不断更新中文版，翻译其他章节。