通过 7 个基于 Jupyter 的实验，使用 TensorFlow、Keras 和 PyTorch 学习神经网络核心思想。在深度学习概念导论之后，你将操作张量与计算过程、训练回归模型、组装全连接网络，并构建文本分类模型。
课程将框架导览与需要补全的实现练习结合起来。示例使用加州住房、手写数字、IMDB 影评和合成回归数据，让你在多个具体场景中理解层、损失函数、优化器、训练循环和预测。
你将学到什么
- 说明深度学习的重要发展、核心概念和基本结构
- 使用 TensorFlow 的张量、Session、计算图、变量、占位符和矩阵运算
- 通过最小二乘、手动梯度、优化器和小批量训练实现 TensorFlow 线性回归
- 在手写数字数据上构建并训练多层全连接 TensorFlow 网络
- 探索 Keras 层、Sequential 模型、Functional API、训练、评估和模型可视化
- 预处理 IMDB 影评序列并构建 Keras Sequential 情感分类器
- 使用 PyTorch 张量、自动微分、神经网络模块和优化器
- 在合成数据上补全 PyTorch 线性回归模型与训练循环
本课程适合谁
本课程适合具备 Python 和机器学习基础、希望比较三个主要框架如何表达张量、层、模型与训练过程的学习者。虽然实验标记为初级，但紧凑的 Notebook 默认你能理解 NumPy 风格数组、矩阵运算、模型损失和优化代码。这是一门框架基础课程，不是现代生产部署或高级深度学习课程。
前置要求： 建议掌握 Python、NumPy 风格数组运算，并初步理解线性回归和神经网络；熟悉 Jupyter Notebook 会更容易学习。
学习环境： 7 个实验均在课程提供的 Ubuntu 22.04 Jupyter 环境中运行。预置 Notebook 混合了概念讲解、可执行示例和需要你补全的代码单元格。
常见问题
我会使用三个框架分别构建模型吗？
会。TensorFlow 用于线性回归和多层手写数字模型，Keras 用于 Sequential IMDB 情感模型，PyTorch 用于线性回归实现；各框架导览还会介绍其核心抽象。
完全不会 Python 的人适合这门课吗？
不适合。Notebook 会快速进入张量、矩阵乘法、损失、梯度和训练循环。先具备 Python 与入门机器学习基础，才能更充分地完成练习。
课程使用当前版本的框架 API 吗？
并非全部如此。TensorFlow Notebook 使用 Session 和 placeholder 等 1.x 模式；Keras 内容使用独立的 keras 包；PyTorch 导览还包含较旧的 Variable 和 CUDA 8/9 内容。概念仍有价值，但编写新项目时应配合当前官方文档。
课程包含哪些数据集和任务？
Notebook 使用加州住房数据完成 TensorFlow 回归，使用 scikit-learn 手写数字构建全连接分类器，使用 IMDB 影评进行情感分类，并用生成数据完成 PyTorch 回归。
