神经网络与深度学习

邱锡鹏著 · 第二版与通识版的电子书、目录和勘误入口

系列主站 · 第二版 PDF · 通识版 PDF · 配套实践 · 勘误与建议

想先理解机器如何学习、AI 能做什么，从通识版开始；希望系统掌握模型、算法与数学推导，选择第二版（蒲公英书）。两本书可分别阅读，也可以先建立直觉，再深入理论。

两本书

	《神经网络与深度学习》第二版 系统掌握理论与方法 从机器学习基础出发，系统讲解神经网络、优化、Transformer、图神经网络、强化学习、生成模型与大语言模型。 适合：专业课程与研究入门。全书 16 章，另有 5 个数学基础附录。 下载 PDF · 本书页面 · 章节目录
	《神经网络与深度学习》通识版 少一些公式，多一些直觉 用故事、案例和生活类比解释神经网络与深度学习，并延伸到大语言模型、智能体、多模态、科学智能、具身智能、AI 安全与未来。 适合：非专业读者、跨学科入门与高校通识课。全书 16 章。 下载 PDF · 本书页面 · 章节目录

版本说明：两本书均开放出版前电子稿，内容随修订更新；出版进度见各书页面。引用或反馈时请注明版本与下载日期。

阅读建议

通识版以故事、案例和直观解释为主；第二版需要线性代数、微积分与概率论基础，书后附录可用于复习。学习理论时，可搭配第二版 PyTorch 实践验证模型与算法；已有基础并关注大模型方向，可继续阅读《大模型与智能体》。

查看四本书的选书与阅读路径

章节目录

第二版目录

展开 16 章与 5 个数学基础附录

第一部分：机器学习基础

• 第 1 章　绪论
• 第 2 章　机器学习概述
• 第 3 章　线性模型

第二部分：基础模型

• 第 4 章　前馈神经网络
• 第 5 章　卷积神经网络
• 第 6 章　循环神经网络
• 第 7 章　网络优化与正则化
• 第 8 章　注意力机制与 Transformer
• 第 9 章　图神经网络

第三部分：进阶主题

• 第 10 章　无监督学习
• 第 11 章　模型独立的学习方式
• 第 12 章　深度强化学习
• 第 13 章　大语言模型与智能体
• 第 14 章　概率图模型
• 第 15 章　深度信念网络
• 第 16 章　深度生成模型

数学基础附录

• 附录 A　线性代数
• 附录 B　微积分
• 附录 C　数学优化
• 附录 D　概率论
• 附录 E　信息论

通识版目录

下面的四组是便于浏览的阅读导航，不是书中的正式分篇。

展开通识版 16 章

理解学习（第 1—4 章）

• 第 1 章　智能的第三次浪潮
• 第 2 章　机器如何自己学习
• 第 3 章　从神经元到深度网络
• 第 4 章　把网络训好的艺术

走向大模型（第 5—8 章）

• 第 5 章　注意力：引爆大模型的引擎
• 第 6 章　无师自通：从数据中自学
• 第 7 章　在试错中成长：强化学习
• 第 8 章　语言的魔法：大语言模型

系统与新型生成（第 9—12 章）

• 第 9 章　钢与硅：AI 的物理底座
• 第 10 章　智能的延伸：AI 智能体
• 第 11 章　从噪声中创造：扩散模型
• 第 12 章　看听说一体：多模态 AI

科学、身体与未来（第 13—16 章）

• 第 13 章　AI 遇上科学：加速发现的新引擎
• 第 14 章　走进物理世界：具身智能与机器人
• 第 15 章　脆弱的巨人：AI 的风险与挑战
• 第 16 章　通往通用智能：AI 的下一站

勘误与建议

欢迎通过 GitHub Issues 提交勘误和改进建议。提交前请先搜索是否已有相同问题，并尽量注明：

• 书名与版本；
• 章节及 PDF 页码或纸书页码；
• PDF 下载或阅读日期；
• 原文、问题说明与建议修改。

查看已有反馈 · 提交新反馈

主站与配套资源

• 系列主站
• 阅读路径与选书建议
• 《神经网络与深度学习：案例与实践》：第二版 PyTorch 配套实践；第一版 PaddlePaddle 代码见独立仓库
• 《大模型与智能体》：专题读本与 6 个独立入门练习

第一版归档

• legacy/nndl-v1/：第一版 PDF、勘误与封面
• nndl-v1 分支：第一版完整资料，包括各章 PDF 与教学幻灯片

仓库维护说明

• nndl-v2/：第二版的主站元数据与说明页；第二版 LaTeX 源码不在本公开仓库中。
• nndl-ge/：通识版的主站元数据与说明页。
• 各书目录的 _meta.yml 是主站书目卡片的数据源，由 nndl.github.io/scripts/aggregate-books.py 聚合生成主站数据。

Star History