# 学习资源

> 来源：https://deeplearning.bnuai.com/resources/ ｜ 作者：唐志清（北京师范大学） ｜ 更新：2026-11-01 ｜ 内容依据邱锡鹏《神经网络与深度学习》（https://nndl.ai/）及作者公开课件

## 教材与官方资源

<div class="res-grid">
  <a class="res" href="https://nndl.ai/" target="_blank" rel="noopener"><b>📘 nndl.ai 教材官网</b><span>邱锡鹏《神经网络与深度学习》官方网站：在线阅读、课件、勘误与最新动态。</span></a>
  <a class="res" href="https://github.com/nndl/nndl/releases/download/book-pdf/nndl-v2.pdf" target="_blank" rel="noopener"><b>📕 第二版电子书 PDF</b><span>2026 年第二版，新增大语言模型与智能体、图神经网络等内容，章节顺序有调整。</span></a>
  <a class="res" href="https://github.com/nndl/nndl/blob/main/legacy/nndl-v1/main.pdf" target="_blank" rel="noopener"><b>📗 第一版电子书 PDF</b><span>与本站课件和讲义的章节编号一致（2020 年版）。</span></a>
  <a class="res" href="https://github.com/nndl/nndl-practice" target="_blank" rel="noopener"><b>🧑‍💻 nndl-practice 实践教程</b><span>官方配套的动手实践：用代码实现书中的模型与算法，原“习题”仓库已迁移至此。</span></a>
  <a class="res" href="https://github.com/nndl/nndl" target="_blank" rel="noopener"><b>🗂️ nndl/nndl 仓库</b><span>教材源文件与历史版本，可以 Star 关注更新。</span></a>
  <a class="res" href="https://github.com/nndl/nndl/issues" target="_blank" rel="noopener"><b>🐞 勘误与讨论</b><span>发现教材错误或有疑问，可以在 GitHub Issues 中反馈与检索。</span></a>
</div>

**版本说明**

本站课件按教材**第一版**的 15 章组织。nndl.ai 目前提供的是**第二版**，章节编号有所不同，各章讲义末尾的“延伸阅读”都注明了第二版中对应的章节，[章节总览](https://deeplearning.bnuai.com/chapters/)也有完整对照。

## 本站课件下载

每章课件都可以在章节页面在线浏览，也可以下载 PDF（由原始 PPTX 课件转换）。

| 章 | 课件 | 章 | 课件 |
| --- | --- | --- | --- |
| 1 绪论 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch01.pdf) | 9 无监督学习 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch09.pdf) |
| 2 机器学习概述 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch02.pdf) | 10 模型独立的学习方式 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch10.pdf) |
| 3 线性模型 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch03.pdf) | 11 概率图模型 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch11.pdf) |
| 4 前馈神经网络 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch04.pdf) | 12 深度信念网络 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch12.pdf) |
| 5 卷积神经网络 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch05.pdf) | 13 深度生成模型 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch13.pdf) |
| 6 循环神经网络 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch06.pdf) | 14 深度强化学习 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch14.pdf) |
| 7 网络优化与正则化 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch07.pdf) | 15 序列生成模型 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch15.pdf) |
| 8 注意力机制与外部记忆 | [PDF](https://deeplearning.bnuai.com/pdf/nndl-ch08.pdf) | | |

## 推荐公开课

| 课程 | 讲者 / 机构 | 特点 |
| --- | --- | --- |
| [CS231n: Deep Learning for Computer Vision](https://cs231n.stanford.edu/) | Stanford | 卷积网络与视觉，作业质量很高 |
| [CS224n: NLP with Deep Learning](https://web.stanford.edu/class/cs224n/) | Stanford | 词向量、RNN、Transformer 与预训练模型 |
| [MIT 6.S191: Introduction to Deep Learning](https://introtodeeplearning.com/) | MIT | 入门友好，每年更新 |
| [机器学习 / 深度学习课程](https://speech.ee.ntu.edu.tw/~hylee/index.php) | 李宏毅（台湾大学） | 中文授课，生动易懂 |
| [动手学深度学习](https://zh.d2l.ai/) | 李沐等 | 可运行的中文教材与视频，PyTorch 实现 |

## 参考书

- Goodfellow I, Bengio Y, Courville A. *Deep Learning*. MIT Press, 2016.（[在线阅读](https://www.deeplearningbook.org/)）
- Bishop C M. *Pattern Recognition and Machine Learning*. Springer, 2006.（第 11 章概率图模型的重要参考）
- 周志华.《机器学习》. 清华大学出版社, 2016.
- 李航.《统计学习方法》（第 2 版）. 清华大学出版社, 2019.
- Sutton R S, Barto A G. *Reinforcement Learning: An Introduction* (2nd ed.). MIT Press, 2018.（[在线阅读](http://incompleteideas.net/book/the-book-2nd.html)）
- 张奇, 桂韬, 郑锐, 黄萱菁.《大规模语言模型：从理论到实践》. 电子工业出版社, 2024.

## 框架与工具

- [PyTorch](https://pytorch.org/)：本课程实践推荐框架；[官方教程](https://pytorch.org/tutorials/)。
- [TensorFlow Playground](https://playground.tensorflow.org/)：在浏览器中直观观察网络结构、正则化对决策边界的影响（第 7 章课件中的示例）。
- [Gymnasium](https://gymnasium.farama.org/)：强化学习环境（第 14 章）。
- [Hugging Face Transformers](https://huggingface.co/docs/transformers)：预训练模型库（第 8、15 章）。
- 本站[交互演示](https://deeplearning.bnuai.com/demos/)：激活函数、优化器、卷积。

## 各章经典论文

| 章 | 论文 |
| --- | --- |
| 4 | Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors. *Nature*, 1986. |
| 5 | Krizhevsky A, et al. ImageNet classification with deep convolutional neural networks. *NeurIPS*, 2012；He K, et al. Deep residual learning for image recognition. *CVPR*, 2016. |
| 6 | Hochreiter S, Schmidhuber J. Long short-term memory. *Neural Computation*, 1997. |
| 7 | Kingma D P, Ba J. Adam. *ICLR*, 2015；Ioffe S, Szegedy C. Batch normalization. *ICML*, 2015；Srivastava N, et al. Dropout. *JMLR*, 2014. |
| 8 | Bahdanau D, et al. Neural machine translation by jointly learning to align and translate. *ICLR*, 2015；Vaswani A, et al. Attention is all you need. *NeurIPS*, 2017. |
| 9 | Vincent P, et al. Extracting and composing robust features with denoising autoencoders. *ICML*, 2008. |
| 10 | Finn C, et al. Model-agnostic meta-learning. *ICML*, 2017. |
| 12 | Hinton G E, et al. A fast learning algorithm for deep belief nets. *Neural Computation*, 2006. |
| 13 | Kingma D P, Welling M. Auto-encoding variational Bayes. *ICLR*, 2014；Goodfellow I, et al. Generative adversarial nets. *NeurIPS*, 2014；Arjovsky M, et al. Wasserstein GAN. *ICML*, 2017. |
| 14 | Mnih V, et al. Human-level control through deep reinforcement learning. *Nature*, 2015；Silver D, et al. Mastering the game of Go. *Nature*, 2016. |
| 15 | Bengio Y, et al. A neural probabilistic language model. *JMLR*, 2003；Sutskever I, et al. Sequence to sequence learning with neural networks. *NeurIPS*, 2014. |