栗子 发自 凹非寺 
量子位 报道 | 公众号 QbitAI

李沐老师的新课，这个月就要在伯克利开讲了。

这是一门深度学习基础课，一周两节；每节课后，都会有课堂视频放出。

课程内容，大致是按照李沐老师的开源新书《动手学深度学习》来安排的 (但和去年放出的同名课程并不一样) 。

除了沐神，另外一位讲师是这本书的共同作者、亚马逊的同事Alex Smola。

从基础到高难

课程会从基础概念开始讲起。

比如，数学和统计学范畴的链式法则、贝叶斯定理、逻辑回归等等。

比如，深度学习入门需要的批尺寸 (Batch Size) 、学习率(Learning Rate) 、多层感知器 (MultiLayer Perceptrons) 、反向传播、随机梯度下降等等。

在那之后，便会走进神经网络的世界。

先是卷积网络(CNN) ，从简单的LeNet开始，到ResNet这类用来做高精度模型的架构。

再来就是序列模型 (Sequence Models) 和循环网络 (RNN) 。LSTM、GRU以及注意力机制都会在这里登场。

△ 5月，就要搭建大规模视觉模型了

作为一门注重实践的课程，课程表里有四节课标注了Making it Work，那便是老师向同学们传授实现大法的时候。

以及，这门课完全基于Jupyter Notebook，每节课的内容，都有代码可以运行。

所以，就算没有标注Making it Work，也可以自行实践 (比如下面这个皮卡丘检测活动) 。

另外，每周都会有作业题目放到网上。温馨提示，这是一门需要不停写代码的、强度很大的课。

需要注意的是，虽然是基础课，大家也要携带Python基础，一点点线代基础，一点点统计学基础，再来上课。毕竟，这些部分不会讲得太细。

先预习一下？

1月22日，新课才会开讲。

现在，虽然还没有视频 (开学就有了) ，也没有留作业，但最新版教材已经开源了啊。

英文版叫Dive into Deep Learning，就是课程制定教材。

中文版叫《动手学深度学习》，这下没有借口了：

老师没来，大家就先预习吧：不光有正文，还有GitHub项目，以及Jupyter Notebook。

以及，去年李沐老师还有教材同名课程放出，所有视频都在等你。

新课GitHub传送门：
https://github.com/diveintodeeplearning/berkeley-stat-157

新课视频列表 (待填坑) 传送门：
https://www.youtube.com/playlist?list=PLZSO_6-bSqHQHBCoGaObUljoXAyyqhpFW

教材传送门：
http://www.d2l.ai/ (英)
http://zh.d2l.ai/ (中)

旧课传送门：
https://discuss.gluon.ai/t/topic/753