25k 字 23 分钟

# 省赛题目 # 第一题 疑问： 怎么保持在网页缩放的时候，仍然是每 5 个换一次行的？ 通过设置每个 flex 容器中每个 item 的 height 为 20% 的吧 # flex 布局 https://www.runoob.com/w3cnote/flex-grammar.html align-content 中的多根轴线应该是指换行的时候，就具有多根轴线了 justify-content 和 align-items 分别是针对 单根 横轴 和 纵轴 的 两者的区别是，前者具有 space-between 和 space-around，后者具有 baseline 和...
4.5k 字 4 分钟

# 使用 Amazon EC2 实例 🏷 sec_aws 本节将展示如何在原始 Linux 机器上安装所有库。回想一下， :numref: sec_sagemaker 讨论了如何使用 Amazon SageMaker，而在云上自己构建实例的成本更低。本演示包括三个步骤。 从 AWS EC2 请求 GPU Linux 实例。 安装 CUDA（或使用预装 CUDA 的 Amazon 机器映像）。 安装深度学习框架和其他库以运行本书的代码。 此过程也适用于其他实例（和其他云），尽管需要一些细微的修改。在继续操作之前，你需要创建一个 AWS 帐户，有关更多详细信息，请参阅 :numref:...
164 字 1 分钟

# 附录：深度学习工具 🏷 chap_appendix_tools 为了充分利用《动手学深度学习》，本书将在本附录中介绍不同工具， 例如如何运行这本交互式开源书籍和为本书做贡献。 :begin_tab:toc jupyter sagemaker aws selecting-servers-gpus contributing d2l :end_tab:
3k 字 3 分钟

# 为本书做贡献 🏷 sec_how_to_contribute 读者们的投稿大大帮助我们改进了本书的质量。 如果你发现笔误、无效的链接、一些你认为我们遗漏了引文的地方， 代码看起来不优雅，或者解释不清楚的地方，请回复我们以帮助读者。 在常规书籍中，两次印刷之间的间隔（即修订笔误的间隔）常常需要几年， 但这本书的改进通常需要几小时到几天的时间。 由于版本控制和持续自动集成（CI）测试，这一切颇为高效。 为此，你需要向 gihub 存储库提交一个 pull request。 当你的 pull 请求被作者合并到代码库中时， 你将成为贡献者。 #...
559 字 1 分钟

# d2l API 文档 🏷 sec_d2l d2l 包以下成员的实现及其定义和解释部分可在源文件中找到。 .. currentmodule:: d2l.torch # 模型 .. autoclass:: Module :members: .. autoclass:: LinearRegressionScratch :members: .. autoclass:: LinearRegression :members: .. autoclass:: Classification :members: # 数据 .. autoclass::...
3.2k 字 3 分钟

# 选择服务器和 GPU 🏷 sec_buy_gpu 深度学习训练通常需要大量的计算。目前，GPU 是深度学习最具成本效益的硬件加速器。与 CPU 相比，GPU 更便宜，性能更高，通常超过一个数量级。此外，一台服务器可以支持多个 GPU，高端服务器最多支持 8 个 GPU。更典型的数字是工程工作站最多 4 个 GPU，这是因为热量、冷却和电源需求会迅速增加，超出办公楼所能支持的范围。对于更大的部署，云计算（例如亚马逊的 P3 和 G4 实例）是一个更实用的解决方案。 # 选择服务器 通常不需要购买具有多个线程的高端 CPU，因为大部分计算都发生在 GPU 上。这就是说，由于 Python...
2.7k 字 2 分钟

# 使用 Jupyter Notebook 🏷 sec_jupyter 本节介绍如何使用 Jupyter Notebook 编辑和运行本书各章中的代码。确保你已按照 :ref: chap_installation 中的说明安装了 Jupyter 并下载了代码。如果你想了解更多关于 Jupyter 的信息，请参阅其文档中的优秀教程。 # 在本地编辑和运行代码 假设本书代码的本地路径为 xx/yy/d2l-en/ 。使用 shell 将目录更改为此路径（ cd xx/yy/d2l-en ）并运行命令 jupyter notebook 。如果浏览器未自动打开，请打开...
1.5k 字 1 分钟

# 使用 Amazon SageMaker 🏷 sec_sagemaker 深度学习程序可能需要很多计算资源，这很容易超出你的本地计算机所能提供的范围。云计算服务允许你使用功能更强大的计算机更轻松地运行本书的 GPU 密集型代码。本节将介绍如何使用 Amazon SageMaker 运行本书的代码。 # 注册 首先，我们需要在注册一个帐户 https://aws.amazon.com/。 为了增加安全性，鼓励使用双因素身份验证。设置详细的计费和支出警报也是一个好主意，以避免任何意外，例如，当忘记停止运行实例时。登录 AWS 帐户后，转到 console 并搜索 “Amazon...
2.6k 字 2 分钟

# 异步计算 🏷 sec_async 今天的计算机是高度并行的系统，由多个 CPU 核、多个 GPU、多个处理单元组成。通常每个 CPU 核有多个线程，每个设备通常有多个 GPU，每个 GPU 有多个处理单元。总之，我们可以同时处理许多不同的事情，并且通常是在不同的设备上。不幸的是，Python 并不善于编写并行和异步代码，至少在没有额外帮助的情况下不是好选择。归根结底，Python 是单线程的，将来也是不太可能改变的。因此在诸多的深度学习框架中，MXNet 和 TensorFlow 之类则采用了一种异步编程（asynchronous programming）模型来提高性能，而...
2.9k 字 3 分钟

# 自动并行 🏷 sec_auto_para 深度学习框架（例如，MxNet、飞桨和 PyTorch）会在后端自动构建计算图。利用计算图，系统可以了解所有依赖关系，并且可以选择性地并行执行多个不相互依赖的任务以提高速度。例如， :numref: sec_async 中的 :numref: fig_asyncgraph 独立初始化两个变量。因此，系统可以选择并行执行它们。 通常情况下单个操作符将使用所有 CPU 或单个 GPU 上的所有计算资源。例如，即使在一台机器上有多个 CPU 处理器， dot 操作符也将使用所有 CPU 上的所有核心（和线程）。这样的行为同样适用于单个...