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
[](https://nndl.ai/nndl-v2/)
《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。
[](https://nndl.ai/nndl-ge/)
《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。
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》。
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。
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。