重磅|繼吳恩達後，亞馬遜AI主任科學家李沐上線「動手學深度學習」中文課程，所有免費！

講真，這麼多好課，都想學，怎麼學得過來呢？好焦慮...

做者 | 周翔

編輯 | 鴿子

上週二（8 月29 日），網易雲課堂與吳恩達的 Deeplearning.ai 宣佈達成合做，後者的最新深度學習課程「Deep Learning Specialization」中文字幕版上線網易微課程，並永久免費，這對國內的開發者社區來講，絕對是一個重磅好消息。

AI科技大本營在全網進行首發後，留言區的評論一致誇讚「網易雲課堂真乃業界良心」。

好消息不止於此。AI科技大本營再跟你們播報一個重磅好消息。

曾經的百度少帥、現在的亞馬遜AI主任科學家、 MXNet 的做者李沐博士也開設了本身的深度學習課程。

今天（9 月 4 日），這位亞馬遜AI主任科學家將給中文開發社區帶來全新的深度學習課程《動手學深度學習》。

「動手學深度學習」課程

該課程將使用 Apache MXNet (incubating) 的最新 gluon 接口來演示如何從 0 開始實現深度學習的各個算法，利用 Jupyter notebook 將文檔、代碼、公式和圖形統一在一塊兒的優點，爲開發者提供了一個交互式的學習體驗。據此，目前並無哪一個項目能既覆蓋全面深度學習，又提供交互式的可執行代碼，該門課程則填補了這個空白。

哎呀，都是深度學習課程，都是大牛，到底怎麼選呢？營長有選擇恐懼症啊...

李沐表示，這個課程和吳恩達的課程仍是有幾個顯著的區別滴，聽聽他怎麼說：

1. 咱們不只介紹深度學習模型，並且提供簡單易懂的代碼實現。咱們不是經過幻燈片來說解，而是經過解讀代碼，實際動手調參數和跑實驗來學習。

1. 咱們使用中文。不論是教材，直播，仍是論壇。（雖然在美國呆了5，6年了，事實上我仍然對一邊聽懂各式口音的英文一邊理解內容很費力。）

2. Andrew 課目前免費版只能看視頻，而咱們不只僅直播教學，並且提供練習題，提供你們交流的論壇，並鼓勵你們在 github 上參與到課程的改進中來。但願能與你們有更近距離的交互。

也就是說，此次的課程將以動手實操爲主，不只直播教學，並且還提供了「Deep Learning Specialization」在網易雲課堂上不提供的練習題。據AI科技大本營瞭解，李沐將於每週六的上午 10 點在鬥魚進行課程直播，第一次直播時間爲 9 月 9 日上午 10 點。此外，此次課程全程使用中文，進一步下降了學習門檻。

不過，這門課程目前還只是 0.1 版本，所以只有「預備知識」、「監督學習」、「神經網絡」三個章節，此外，裏面還有部分英文內容沒有漢化。

課程內容

目前，「動手學深度學習」的每一個教程主要是按照如下方式來組織（除了少數幾個背景知識介紹教程外）：

1. 引入一個（或者少數幾個）新概念

1. 提供一個使用真實數據的完整樣例

這個教程的最大特點在於，每一個教程都是一個能夠編輯和運行的 Jupyter notebook，而運行這些教程須要 Python、Jupyter 和其插件 notedown，以及最新版 MXNet，所以學習者首先要知道如何安裝並使用這些程序。

不過，該課程在開始以前提供了詳細的「安裝和使用」教程，學習者按照步驟來操做就能夠了。

如下是「動手學深度學習」課程 0.1 版的所有章節：

預備知識

監督學習

神經網絡

那麼，咱們不由想問，爲何李沐要開這門課？到底哪些人羣最適合看這門課？爲何這門課的先後邏輯須要這樣設計？咱們從李沐的公開信中，找到了答案。或許，開課背後的思考，更值得咱們學習。

附：李沐的公開信

兩年前咱們開始了MXNet這個項目，有一件事情一直困擾咱們：每當MXNet發佈新特性的時候，總會收到「作啥新東西，趕忙去更新文檔」的留言。咱們曾一度都很費解，文檔明明不少啊，比咱們之前全部作的項目都好。並且你看隔壁家輪子，都沒文檔，你們照樣也不是用的很嗨。

後來有一天，Zack 問了這樣一個問題：假設回到你剛開始學機器學習的時候，那麼你須要什麼樣的文檔？

我是大二開始接觸機器學習。當時候並無太多很好資料，抱着晦澀的翻譯版《The Elements of Statistical Learning》讀了大半年還是懵懵懂懂。後來 08 年的時候又啃了好幾個月《Pattern Recognition And Machine Learning》，被貝葉斯那一套繞得雲裏霧裏。10 年去港科大的時候 James 問我，你最熟悉的模型是哪一個？使勁想了想，居然答不出來。

雖然在我認識的人裏，好些人可以讀一篇論文或者聽一個報告後就能問出很好的問題，而後就基本弄懂了。但我在這個上笨不少。讀過的論文就像喝過的水，次日就不記得了。必定是須要靜下心來，從頭至尾實現一篇，跑上幾個數據，調些參數，才能心安地以爲懂了。例如在港科大的兩年讀了不少論文，但如今反過來看，仍然記得可能就是那兩個老老實實動手實現過寫過論文的模型了。即便後來在機器學習這個方向又走了五年，學習任何新東西仍然是要靠動手。

幾年前我開始學習深度學習，在MXNet這個項目裏也幫助和目擊了不少小夥伴上手深度學習。我發現也有不少小夥伴跟我同樣，動手去實現、去調參、去跑實驗纔會真正成爲專家（或者合格的煉丹師）。雖然深度學習崛起前的年代，不寫代碼不跑實驗能夠作出很好的理論工做。但在深度學習領域，動手能力纔是核心競爭力。例如就算我熟知卷積的三種寫法，Relu 的十個變種，理解 BatchNorm 爲何能加速收斂，對 Imagenet 歷屆冠軍的錯誤率隨手拈來，能口若懸河說上幾小時神經網絡幾度沉浮的恩怨史。但調不出參數，一切都是枉然。發論文被問你爲啥跟 state-of-the-art 差老遠，作產品被噴你這精度還不如個人便宜 100 倍的線性模型。

在過去一年我在 AWS 工做中，很大一部分是在幫助 Amazon 內部團隊和雲上的用戶來了解深度學習，並將其應用到他們的產品中。在今年夏威夷的 CVPR 上，遇到不少老朋友，例如地平線的凱哥，今日頭條的李磊，第四範式的文淵和雨強，也認識了不少新朋友，例如 Momenta 旭東和商湯俊傑。我說 MXNet 有了新 Gluon 前端，能夠一次性解決產品和研究的需求。你們紛紛表示，好啊好啊，來咱們這裏講講吧。並且特別強調說，咱們這裏新人不少，最好能講講入門知識。

因此很天然的會想，咱們能不能幫助更多人。因而咱們想開設一些系列課程，從深度學習入門到最新最前沿的算法，從 0 開始經過交互式的代碼來說解每一個算法和概念。但願經過這個讓你們既能瞭解算法的細節，又能調得出參數。既贏得了競賽，又作的出產品。

爲此咱們作了（正在作）這四件事情：

1. Eric 和 Sheng 開發了 MXNet 的新前端 Gluon，詳細能夠參見 Eric 的這篇介紹。這個前端帶來跟 Python 更一致的便利的編程環境，不論是debug仍是在交互上，都比 TensorFlow 之類經過計算圖編程的框架更適合學習深度學習。

1. Zack, Alex, Aston 和不少小夥伴一塊兒寫了一系列的 notebook 來說解各個模型。Zack 從一個外行（他是專業音樂人）和老師（CMU 計算機教授）的角度，從0開始講解和實現各個算法。

1. 咱們同時將 notebook 翻譯成中文，並且作了不少改進（我我的認爲中文版質量更高），並創建中文社區 discuss.gluon.ai 方便你們來討論和學習。

2. 咱們聯合將門在鬥魚上直播一系列課程，深刻講解各個教程。

在咱們準備這個的時候，Andrew Ng 也開設了深度學習課程。從課程單上看很是好，講得特別細。並且 Andrew 講東西一貫特別清楚，因此這個課程必然是精品。但咱們作的跟 Andrew 的主要有幾個區別：

• 咱們不只介紹深度學習模型，並且提供簡單易懂的代碼實現。咱們不是經過幻燈片來說解，而是經過解讀代碼，實際動手調參數和跑實驗來學習。
  
• 咱們使用中文。不論是教材，直播，仍是論壇。（雖然在美國呆了 5~6 年了，事實上我仍然對一邊聽懂各式口音的英文一邊理解內容很費力。）
  
• Andrew 課目前免費版只能看視頻，而咱們不只僅直播教學，並且提供練習題，提供你們交流的論壇，並鼓勵你們在 github 上參與到課程的改進中來。但願能與你們有更近距離的交互。
  

從大出發點上咱們跟 Andrew 一致，但願可以幫助小夥伴們快速掌握深度學習。這一次技術上的創新可能會持續輻射技術圈數年，但願小夥伴們能更快更好的參與到這一次熱潮來。

課程地址：http://zh.gluon.ai/index.html

做者：AI科技大本營（rgznai100） 著做權歸做者全部。商業轉載請聯繫做者得到受權，非商業轉載請註明出處。