动手学深度学习围绕“可运行、可讨论”设计，提供以下核心功能：其一，互动式教材，每一小节都是可以直接运行的 Jupyter 记事本，读者可自由修改代码和超参数以获取即时反馈；其二，多框架支持，同一内容提供 PyTorch、MXNet、TensorFlow、PaddlePaddle 四种实现，方便对比学习；其三，内容体系完整，覆盖多层感知机、卷积神经网络、循环神经网络、注意力机制四大类模型，以及计算机视觉与自然语言处理两大应用领域，并包含优化算法、计算性能、推荐系统等进阶专题；其四，配套在线课程，提供由浅入深的教学视频、课件、作业以及多次课程竞赛，帮助学习者在真实数据上实战演练；其五，开源与社区生态，全书开源免费，读者可在官方讨论区提问、反馈问题，并参与开源贡献。

使用动手学深度学习非常简单，主要有以下几种方式：首先，直接在线阅读，访问中文官网 zh.d2l.ai，即可免费浏览全部章节内容；其次，本地运行代码，读者可下载源码仓库，通过 conda 或 pip 安装依赖环境，用 Jupyter 记事本打开各小节逐段运行与修改；再次，跟随视频课程学习，可配合 B 站等平台的配套教学视频，按“深度学习基础—卷积神经网络—计算机视觉—循环神经网络—注意力机制”的路径循序渐进；最后，参与实战竞赛，利用书中的 Kaggle 比赛案例和课程竞赛检验学习成果，并在讨论区与全球学习者交流答疑。整个过程无需注册或缴费，零成本即可启动深度学习学习之旅。

动手学深度学习相比传统教材拥有显著优势：一是“手脑一体”的学习方式，将公式、图示与代码三者结合，既讲清数学原理，又展示如何从零实现，读者可边学边改边验证，积累真正的实战经验；二是“所学即所用”，代码直接对应真实数据与实际问题，避免了理论与工程脱节的痛点，被业内评价为最适合工业界研发工程师学习的教材；三是多框架并行，读者可在同一章节对照 PyTorch、TensorFlow 等不同框架的实现，理解框架差异并自由选择技术栈；四是开源免费、持续迭代，全书在 GitHub 上维护，紧跟 Transformer、BERT 等前沿进展更新内容，并由全球社区共同完善；五是权威背书，已被全球数百所高校采纳，获得黄仁勋、周志华等多位权威人士的高度推荐。

在同类深度学习教材中，动手学深度学习特色鲜明。与 Goodfellow 的“花书”《深度学习》相比，花书更侧重数学理论与学术推导，适合进阶研究者；而本书更强调工程实践与代码实现，入门门槛更低，工程师视角更强。与斯坦福 CS231n、吴恩达深度学习专项课程相比，本书完全开源免费且提供中文版本，并将教材、代码、视频、竞赛整合于一体，无需付费订阅即可系统学习。与 Fast.ai 相比，本书覆盖面更广、理论讲解更严谨，同时保留了高度的动手操作性。总体而言，本书在“理论深度”与“工程落地”之间取得了极佳平衡，尤其适合希望快速上手并投入实际项目的中文学习者，可以说是当前中文环境下性价比最高、社区最活跃的深度学习综合学习资源。

Q1：学习动手学深度学习需要什么基础？答：只需具备基础 Python 编程和线性代数、微积分等基础数学知识即可，课程会从零开始讲解。Q2：选择哪个框架版本学习？答：初学者建议选择 PyTorch 版，其生态活跃、资料丰富；也可并行参考其他框架实现以加深理解。Q3：如何安装并运行书中的代码？答：可访问官网下载源码，使用 conda 创建环境并安装依赖，再通过 Jupyter 记事本运行各小节代码，具体步骤见官网“安装”章节。Q4：有配套教学视频吗？答：有，官方在 B 站等平台提供基于本书的免费教学视频，可配合教材学习。Q5：学习中遇到问题怎么办？答：可在官方讨论区提问，也可参与开源项目提交反馈或贡献内容，社区响应积极。Q6：全书是否收费？答：在线版完全免费，纸质书可按需购买。