工作流程，所以我 们不得不自行组装。我们在 16.5节 中详细描述了我们的方法。我们选择GitHub来共享源代码并允许编辑，选 择Jupyter记事本来混合代码、公式和文本，选择Sphinx作为渲染引擎来生成多个输出，并为论坛提供讨论。 虽然我们的体系尚不完善，但这些选择在相互冲突的问题之间提供了一个很好的妥协。我们相信，这可能是 第一本使用这种集成工作流程出版的书。 1 http://distill 如果读者以前没有使用过Python语言，那么可以仔细阅读这个Python教程3。 论坛 与本书相关，我们已经启动了一个论坛，在discuss.d2l.ai4。当对本书的任何一节有疑问时，请在每一节的末 尾找到相关的讨论页链接。 致谢 感谢中英文草稿的数百位撰稿人。他们帮助改进了内容并提供了宝贵的反馈。感谢Anirudh Dagar和唐源将 部分较早版本的MXNet实现分别改编为PyTorch和TensorFlo 部件是“路沿检测器”。由于真实的注释数 据获取成本很高，他们想出了一个“聪明”的想法：将游戏渲染引擎中的合成数据用作额外的训练数据。这 对从渲染引擎中抽取的“测试数据”非常有效，但应用在一辆真正的汽车里真是一场灾难。正如事实证明的 那样，路沿被渲染成一种非常简单的纹理。更重要的是，所有的路沿都被渲染成了相同的纹理，路沿检测器 很快就学习到了这个“特征”。 当美军第一次试图在森林中探测坦克

HaffnerPatrick. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, (页 2278-2324). PaszkeAdam, GrossSam, MassaFrancisco, LererAdam, BradburyJames, ChananGregory, . . . d\textquotesingle Alch é-BucF., FoxE., & GarnettR. (编辑), Advances in Neural Information Processing Systems 32 (页 8024–8035). Curran Associates, Inc. 检索来源: http://papers.neurips.cc/paper/9015-pytorch-an-imperativ reset()即可复位游戏状 态，同时返回游戏的初始状态 observation。 3. 显示游戏画面。通过调用 env.render()即可显示每个时间戳的游戏画面，一般用做测 试。在训练时渲染画面会引入一定的计算代价，因此训练时可不显示画面。 4. 与游戏环境交互。通过 env.step(action)即可执行 action 动作，并返回新的状态 observation、当前奖励 reward、游戏是否结束标志

description language）。其主要依赖 pyparsing 和 GraphViz 这两个工具库。 pyparsing：仅用于加载DOT文件，在 pydot 安装期间自动安装。 GraphViz：将图形渲染为PDF，PNG，SVG等格式文件，需独立安装。 https://github.com/lepture/captcha flask flask 是一个基于 Werkzeug 和 jinja2 开发的

False) 控制是否在图中输出各层的尺寸。 • show_layer_names (默认为 True) 控制是否在图中显示每一层的名字。 此外，你也可以直接取得 pydot.Graph 对象并自己渲染它。ipython notebook 中的可视化 实例如下： from IPython.display import SVG from keras.utils.vis_utils import