《动手学深度学习》是一本由阿斯顿·张（Aston Zhang） / 李沐（Mu Li） /著作，人民邮电出版社出版的平装图书，本书定价：85.00元，页数：440，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。

　　《动手学深度学习》精选点评：

　　●看的Pytorch版

　　●非常基础非常给力的一本书，有pytorch版本，建议读pytorch版本的。

　　●学完感觉不错，对深度学习有了一定了解，但是mxnet太少人用了，社区还不完善，能参考的代码不多

　　●强烈建议作为深度学习的入门书籍，联系工程问题，code很详细，说的也通俗易懂，覆盖面也较广。

　　●很多实操的例子介绍了基础的 DL 知识，入门和上手都很不错，干货是真不少。遗憾的点就是不是 TF 的例子，对于初学者来说相当于多学 mxnet 了。

　　●基于MXNET框架的深度学习入门书，理论与实践的耦合度非常高。可惜，我还是不会（手动扇子脸） conda启动，mxnet加载，cuda准备就绪，微积分/线代回忆-复习-预习中……哎，我要解决的问题似乎没法用ML，等把数据标注完我都能找到女朋友了。用模式匹配应该也没什么大问题吧，大不了用封装了的ML.NET好了，散了散了

　　●过一遍式的学习意义不大，但这本书还不错。

　　●在TensorFlow和Pytorch大行其道的时候，李沐这本《动手学深度学习》可能会为MXNet拉回一些人气吧！

　　●11

　　●很好的书，极力推荐，有诚意的作者团队，但MXNet仍需努力，tensorflow和pytorch依然是首选。最大的问题还是资料、帮助和资源。

　　《动手学深度学习》读后感(一)：理论和实践的完美结合

　　浮光掠影翻了一遍，对机器学习的大纲式了解；可以先去看吴恩达的起步教程热身一下，然后这本书基本上是全景式的巨著，有例有据，洋洋洒洒超级详细；

　　这本书是写给实战工程师用的，作者团队超级用心，绝对不是那种复制粘贴党；所以一边动手一边学效果MAX；我读的时候觉得都可以跟 W.Richard Stevens 的系列著作相媲美了；

　　读完这本书之后，可以去攻克那本著名的 Deeplearningbook了，这本书偏向于数学基础：

　　http://www.deeplearningbook.org

　　我得说要成为机器学习的专家要学的东西太多了，估计要从《具体数学》、《线性代数》、《微积分》、《概率论》开始学起； 我先定下一个小目标：变成一个熟练的调参党;

　　《动手学深度学习》读后感(二)：心得

　　短评写太长了写在这里吧，自己一点笔记。

　　因为我职业的关系，用tensorflow和theano比较多，书里面的脚本是python的MXNet，之前从来没用过这个，书大部分都在手把手教新手敲脚本，当然会复制粘贴能跑个脚本就入门了当然不假，反正我是假装自己学会了MXNet，MXNet在环境和内存的优化做的很好，运行速度比tensorflow快，但是我不敢保证在面对对工业生产GPU要求较高的图像识别也能有更好的发挥，因为MXNet并不怎么底层，底层源代码部分工具的实现我个人认为值得商榷，我没有碰到过GPU高要求这种情况，只是作为单纯简单的数据分析我或许更青睐MXNet。

　　不过作为读者我个人不是很喜欢这种只推销MXNet的方式，当然我不会因为这个对这本书做出不好的评价，读者应该有权利接触不同的框架，作者为什么不可以推销他自己的东西呢，然而同样的实现方式我自己有比MXNet更好的tensorflow脚本。还是那句话，代码行数短，语法糖可读性简洁跟性能无关。

　　对于新手而言在这本书的基础上需要了解导入csv数据或者数据库sql之类的操作，当然这个又是numpy和pandas的事情了，前提还有python对文件的操作。这本书在数据分析工具上欠缺了些，画图工具完全可以用R语言的tidyverse取代（ggplot2），python自己的Matplotlib样式作为发表sci的要求来说实在太丑。

　　说到这里matlab这本书没有讲，可以参考吴恩达的coursera，matlab最大的优点是全家桶有可视化操作，缺点是体量太大，我的老爷机可能不久会告别matlab了。matlab和python的numpy之间的区别在于矩阵和Array数组（当然numpy也可以矩阵）的区别，而且numpy自身也有类似matlab的函数。

　　当然在实际使用中，二者的使用取决于具体情况，书中很多脚本，明显matlab也可以做，总之，我不主张实际使用MXNet一刀切，当然教学完全没问题。

　　《动手学深度学习》读后感(三)：机器学习的菜鸟日记之终于找到物美价廉的学习材料 学习材料推荐

　　前言

　　学完了吴恩达的机器学习课程，小心翼翼打开kaggle，研究了下kernal，终于搞定了eda，再往下拉，是各种bagging，boosting，看看的大神们的博客，大脑告诉我，好了，我明白了它们的区别了，再回去看看kernal，ok的，就是这样，so easy。信心满满打开一个新的数据库，开始整理整理数据，一顿操作猛如虎，到了建立模型环节，脑袋一片空白，不是，我根本不懂，我要用哪个模型？参数怎么调？天啊，我都学了些什么，我的人生不如草。我是不是漏了些什么，翻开西瓜书，没有，我没有漏，这一页页都那么地熟悉。 所以问题出在哪里？

　　学习材料

　　这里推荐我正在学习的教材 [Dive into Deep Learning] , 里面全部代码都可以在电脑里直接运行，我刚看完第三章，最喜欢的是他解释完一个算法，会一步一步写出来，你可以试着运行一下，每个步骤了然于心之后，会贴心地告诉你，这么多步骤，我们都简化在一个库(mxnet)里面了哦，你直接运行就好了，每个程式都是以最简单明了的方式呈现。

　　我有打印英文版出来，有时候字很多，看得很辛苦，选择打印是为了摈除一切干扰，专注在那一页纸上。有时候实在看不明白，就去网上瞧瞧中文版，代码有时候中英文两个版本还不一样。当然，运行别人写好的代码很容易，如果要用在别的数据上又会得到什么结果，这就是我写这个博客的原因

　　结束语

　　其实能被我们看到的都是基本都是成功的案例，但是成功的背后只有作者知道付出了多大的努力。

　　成功的例子都是相似的，菜鸟的代码各有各的bug，然而困难都是前进的指路明灯，了解这些错误怎么发生，我们一起共勉之。

　　《动手学深度学习》读后感(四)：书籍资源和书中习题答案、python代码下载

　　扫码关注公众号 「图灵的猫」，点击“学习资料”菜单，可以获得海量python、机器学习、深度学习书籍、课程资源，以及书中对应习题答案和代码。后台回复SSR更有机场节点相送~

入门避坑指南

　　自学三年，基本无人带路，转专业的我自然是难上加难，踩过无数坑，走过很多弯路。这里我整理了一下自己踩过的坑，供大家参考。

　　1. 不要从头开始学数学

　　如果不是一点数学都不会，你没有必要从零学起。用上个把月，把微积分、线性代数、以及概率统计复习一遍就够了。我自己因为没有学过高数，所以花了半年时间，甚至读了数学分析、泛函分析和测度论这样的教材。现在回想起来，其实学到的大部分知识并没有在后来的算法生涯中用到，虽然算不上沉没成本，但投入产出比绝对不高。

　　因此，不要过度投入到数学领域，打好基础即可。有个例子说的很好， 如果你想造汽车，你需要有20年的理论功底，以及技术实践。 但如果你只是想开汽车，却很快就能学会。 当个司机，你需要去了解汽油发动机原理吗？ 不需要。 因为你开的车，甚至有可能根本就用不上汽油发动机（电动车）。

　　2. 代码能力要过关

　　我在大三一年自修完了计算机系的所有必修课，因为我深知数据科学离不开计算机底层知识。我见过不少只会背推导公式，连JVM虚拟机是什么都不知道的人。除了Python，请至少学习1-2门底层语言，比如C/C++，Java。

　　此外，如果你的目标是算法工程师，那么数据结构与算法、计算机系统、内存机制、网络编程、大数据框架也要着手学习，因为你是以企业工作为导向的。这方面我有空会把自己读研时找实习的经历整理分享出来。

　　3. 不要过分深入

　　深度学习，底层结构很复杂，理论知识读懂即可，书也可以跳着看。除了自己感兴趣的部分，其他不需要深入。

　　4. 不要重复造轮子

　　不管是你是做科研还是搞业务算法，在开始入门的时候，认认真真自己实现一遍基础算法的底层代码就足够了，对于更多复杂的算法实现，如非必要（比如打比赛），否则请不要浪费时间，要记住，你只是入门，不需要专精这个领域。

　　我曾经读过hadoop的ML包源码，以及xgboost的C++源码，对当时还在入门的我来说，是做无用功。轮子还没修好，就照着别人的高铁学习结构，效率不会太高。现如今，对于大多数深度模型调用，代码量基本不过百行。除非你的方向是大规模、高可用深度学习系统的底层开发、架构开发，那么没有必要深入底层代码。

　　5. 不要报培训班

　　这一点仁者见仁。但我认为，网络上的公开课足够你学的了，比如Coursera，斯坦福CS231，可汗学院等等，这些现在都有中文字幕。相关资源我整理放在文末了，大家可以取用。要强调的是，有的同学会觉得花了钱，自然就会心疼，就会坚持学下去。这个想法很好，但太天真，有两点国内的教学体系才刚起步，很多985高校都是和计算机、数学系一起上课，老师自己很可能都不是研究AI出身的。所以，请思考一下：校外的培训机构，会有比985还好的教学能力吗？深度学习没有速成一说，虽然深度学习经常被诟病没有基础理论支撑，不需要数学知识，但那是说给大牛听的。你一旦深入某个方向，底层的数学照样少不了。培训班最不会教你的，就是这些。它们只会利用你的兴趣，揠苗助长，然后收割学费

　　《动手学深度学习》读后感(五)：深度学习入门书籍推荐

最近两年，AI风潮火爆，所以不得不加强时间学习了一把，有关深度学习的书籍，也看过不少，特意总结一下。之前上来就是看吴恩达的教学视频，或是网上东看看西看看，走了不少弯路、浪费太多时间，并不得法。现在总结一下机器学习比较优秀的书籍，方便新来者入门。

1. 《动手学深度学习》PyTorch版本

推荐指数：五星

对深度学习的介绍简单易懂，并且配有动手示例，书里的代码是用现在流行的 PyTorch 写的，看完就可以直接上战场。

书有一个很大的优点：薄！专心看的话，几天就能看完。作为入门书籍的不二选择。

当然，这本书只是入门，如果你需要对各个深度学习网络有更深的了解，还需要翻查对应的各网络（如GoogleNet）资料。

唯一不足，书里对反向传播的介绍，过于简单抽象。

2. 《深度学习入门》

推荐指数：四星

入门必读，这本书的所有神经网络模型，都是用 Python 从零开始写的，代码清晰简洁易读，是理解神经网络原理非常好的代码。这本书的一个优点，同样是非常薄！200来页的书籍，用心读的话，一周就能看完，并且，不需要太深的数学基础，懂一点多元积分的概念就足够。

缺点：

1) 里面的代码都是自研的代码，没有基于某个流行的 Python 深度学习框架来介绍，更适合了解深度学习的原理。对于实战型选手来说，还需要找某个深度学习的框架，来简单入门一下。

2)没有对 RNN 及语言处理模型进行简单介绍，相当于对神经网络覆盖的领域介绍少了一半。

优点：

1)有关 CNN 可视化内容，很生动具体；

2)误差的反向传播原理，解释得更加清楚。

另外多说一句，日本人写的计算机书籍，是世界IT技术书坛里另一道风景，完全以简单明了、通俗易懂为主流派，篇幅像苏联教材一样瘦小，但是逻辑却像美式教材一样可爱。逻辑清晰，把原理的来源介绍得很清楚，很偏实用。

3. 《机器学习》周志华，别称西瓜书

推荐指数：三星

缺点：比较学院派，过于侧重理论知识，对于搬砖的码农，不算特别友好，很可能看完后，还是不知道要怎么办；但是对于进阶型选手，希望改进网络、优化网络、深入思考网络原理的同学，再合适不过了。

优点：中文原版著作，语言亲和力好，举例生动具体。

4. 《深度学习》，别称花书

推荐指数：二星

大名鼎鼎的花书，过于理论化，对于入门来说，有一个致命的问题，太厚。

各位还记得《C++ Primer》的厚度，以及之后 Lippman 又出的一本《C++ Essential》么？多少人看C++是从 《C++ Primer》开始的，然后淹没在其中浩如烟雨的技术细节里，看到最后也没有一窥全貌的？再回头看《C++ Essential》，是不是觉得特别轻松愉快，很快就一窥到了 C++的全貌？

对于初学者来说，花书的问题，同样是致命的，过于繁琐的细节，过于侧重面面俱到，过于强调理论的正统性，反而没办法让读者快起来。对于实践型工程师来说，这一点太致命。

对了，另外，这本花书的中文版翻译实在太烂，想看的同学，还是直接上英文版。

没有基础的同学，不建议从这本书看起。

5. 《统计学习方法》，李航

推荐指数：三星

多朴实无华的书名啊，把AI或深度学习的本质，直接暴露给了读者。是的，你没看错，AI其实就是统计学习方法。

优点：中文原版著作，语言亲切，原理介绍清楚，整体风格更像是高校材料。

缺点：过于理论化、数据化，缺乏动手指导。

这本书不建议通读，建议作为工具手册书，放在案头，需要对某一部分深入钻研的时候，再挑对应的章节仔细读。

作为技术人员的学习，不管是哪一个领域，比较好的模式，是先挑一本篇幅薄、概念清晰、侧重动手的入门书籍，以打带练，在打的过程中，碰到问题需要深究，抑或碰到问题需要专题解决时，再逐步加强理论学习，各个击破。这样化整为零的模式，可以减少前期在经典教材上投入过多时间，避免投入过于集中、收益又太慢的问题，也避免迷失在过于理论化的叙述里，最重要的是，避免深陷于一些不重要的细枝末节中。