本仓库是经典深度学习入门书籍《深度学习入门：基于 Python 的理论与实践》（俗称“鱼书”）的配套学习资源集合。
核心内容包括中文版 Jupyter Notebook 笔记，覆盖书中全部核心代码、理论推导与实践案例，旨在帮助学习者更高效地掌握深度学习基础，实现“边学边练、代码可复现”的学习目标。
无论是零基础入门者，还是希望巩固深度学习工程思维的开发者，都能通过本仓库的资源，降低学习门槛、提升实践能力。
笔记严格遵循书籍章节结构，每章对应独立的 Notebook 文件，包含以下特色内容：
| 特色 | 说明 |
|---|---|
| 代码逐行解析 | 书中核心代码（感知机、反向传播、CNN、MNIST 手写数字识别等）均附带详细中文注释，解释代码逻辑与理论依据，避免“抄代码却不懂原理”。 |
| 理论可视化补充 | 针对抽象概念（ReLU、梯度下降、卷积操作）补充 Matplotlib 可视化图表，例如用动态图展示学习率对梯度下降收敛速度的影响。 |
选择“鱼书”作为入门教材，核心原因在于其对初学者的友好性与实用性：
-
低门槛理论讲解
不堆砌复杂数学公式，用通俗语言解释核心概念（如“神经元开关”类比感知机，“梯度消失”直观说明 ReLU 作用）。 -
工程化实践导向
以“手写数字识别”项目贯穿全书，引导读者从零构建神经网络（不依赖高级框架封装），掌握完整流程：
数据预处理 → 模型搭建 → 训练调试 → 结果评估。 -
清晰的知识结构
8 章内容由浅入深：感知机 → 神经网络 → 反向传播 → CNN → RNN → 深度学习应用，学习曲线平缓，逻辑连贯。 -
工程思维培养
不仅教“如何搭模型”，更教“如何优化模型”：学习率选择、正则化、过拟合判断与解决，贴合实际工程场景。
| 人群 | 场景 |
|---|---|
| 零基础入门者 | 无数学或编程基础，希望系统学习深度学习理论与 Python 实践的学生 / 职场人。 |
| 有编程缺工程经验者 | 了解 Python 基础，想通过实战掌握模型调试与代码编写的开发者。 |
| 高校 / 培训机构 | 教师可将 Notebook 作为教学课件，配合书籍实现“理论 + 代码演示”的课堂教学。 |
| 依赖 | 版本 |
|---|---|
| Python | 3.7+ |
| NumPy | 1.18+ |
| Matplotlib | 3.2+ |
| 可选（拓展案例） | TensorFlow 2.x / PyTorch 1.7+ |
# 克隆仓库后，在项目根目录执行
pip install -r requirements.txt- 读理论：先阅读“鱼书”对应章节，理解核心概念。
- 跑代码：打开对应 Notebook，逐段运行并对照注释。
- 记疑问：在 Notebook 内添加“疑问标注”，可以询问AI得到疑问解释。
git clone https://github.com/Mathematics-Yang/deep-learning-from-Scratch.git | 维度 | 说明 |
|---|---|
| 深度有限 | 聚焦“基础理论与实践”，对 Transformer、强化学习、大模型等进阶领域覆盖较少，入门后可再读专项资料。 |
| 框架依赖轻量 | 以“从零实现”为主，较少使用 TF/PyTorch 高级 API；若需框架实战，可在掌握基础后参考《深度学习框架实战》等书。 |
深度学习入门需“理论 + 实践”结合，配合书籍使用可以更好的理解知识内容，祝大家顺利入门深度学习！