Merge pull request #1232 from d2l-ai/master

2.0.0版发布

INFO.md

@@ -30,15 +30,13 @@ sudo apt-get install librsvg2-bin
 ```
 
 ```
-wget https://github.com/adobe-fonts/source-han-sans/raw/release/OTF/SourceHanSansSC.zip
-wget https://github.com/adobe-fonts/source-han-serif/raw/release/OTF/SourceHanSerifSC_SB-H.zip
-wget https://github.com/adobe-fonts/source-han-serif/raw/release/OTF/SourceHanSerifSC_EL-M.zip
+wget https://github.com/adobe-fonts/source-han-sans/releases/download/2.004R/SourceHanSansSC.zip
+wget -O SourceHanSerifSC.zip https://github.com/adobe-fonts/source-han-serif/releases/download/2.001R/09_SourceHanSerifSC.zip
 
-unzip SourceHanSansSC.zip
-unzip SourceHanSerifSC_EL-M.zip
-unzip SourceHanSerifSC_SB-H.zip
+unzip SourceHanSansSC.zip -d SourceHanSansSC
+unzip SourceHanSerifSC.zip -d SourceHanSerifSC
 
-sudo mv SourceHanSansSC SourceHanSerifSC_EL-M SourceHanSerifSC_SB-H /usr/share/fonts/opentype/
+sudo mv SourceHanSansSC SourceHanSerifSC /usr/share/fonts/opentype/
 sudo fc-cache -f -v
 ```
 

Jenkinsfile

@@ -51,6 +51,13 @@ stage("Build and Publish") {
       ./static/cache.sh store _build/eval_tensorflow/data
       """
 
+      sh label: "Execute Notebooks [Paddlepaddle]", script: """set -ex
+      conda activate ${ENV_NAME}
+      ./static/cache.sh restore _build/eval_paddle/data
+      d2lbook build eval --tab paddle
+      ./static/cache.sh store _build/eval_paddle/data
+      """
+
       sh label:"Build HTML", script:"""set -ex
       conda activate ${ENV_NAME}
       ./static/build_html.sh

README.md

@@ -2,7 +2,7 @@
 
 [![Build Status](http://ci.d2l.ai/job/d2l-zh/job/master/badge/icon)](http://ci.d2l.ai/job/d2l-zh/job/master/)
 
-[第一版：zh-v1.D2L.ai](https://zh-v1.d2l.ai/) |  [第二版预览版：zh.D2L.ai](https://zh.d2l.ai)  | 安装和使用书中源代码：[第一版](https://zh-v1.d2l.ai/chapter_prerequisite/install.html) [第二版](https://zh.d2l.ai/chapter_installation/index.html) | 当前版本: v2.0.0-beta1
+[第二版：zh.D2L.ai](https://zh.d2l.ai)  | [第一版：zh-v1.D2L.ai](https://zh-v1.d2l.ai/) |  安装和使用书中源代码： [第二版](https://zh.d2l.ai/chapter_installation/index.html) [第一版](https://zh-v1.d2l.ai/chapter_prerequisite/install.html)
 
 <h5 align="center"><i>理解深度学习的最佳方法是学以致用。</i></h5>
 
@@ -24,7 +24,7 @@
 
 <h5 align="center">将本书（中英文版）用作教材或参考书的大学</h5>
 <p align="center">
-  <img width="400"  src="http://en.d2l.ai.s3-website-us-west-2.amazonaws.com/_images/map.png">
+  <img width="400"  src="https://d2l.ai/_images/map.png">
 </p>
 
 如果本书对你有帮助，请Star (★) 本仓库或引用本书的英文版：
@@ -38,13 +38,11 @@
 }
 ```
 
-## 本书的第二版
+## 本书的英文版
 
-虽然纸质书第一版已经出版，但深度学习领域依然在迅速发展。为了得到来自更广泛的英文开源社区的帮助，从而提升本书质量，本书的第二版正在用英文写。英文版正不断被搬回中文版中。
+虽然纸质书已出版，但深度学习领域依然在迅速发展。为了得到来自更广泛的英文开源社区的帮助，从而提升本书质量，本书的新版将继续用英文编写，并搬回中文版。
 
-目前，英文版已超过160节（中文版共96节），例如增加了理论背景（如优化收敛分析）、硬件设计（如参数服务器）、全新篇章（如注意力机制、推荐系统、深度学习的数学、生成对抗网络）、应用种类（如自然语言推断）、模型种类（如Transformer、BERT）等，并优化重组了大量章节（如将自然语言处理篇章按从预训练表征、到模型设计、再到下游应用重构）。
-
-欢迎关注本书[第二版的英文开源项目](https://github.com/d2l-ai/d2l-en)。
+欢迎关注本书的[英文开源项目](https://github.com/d2l-ai/d2l-en)。
 
 ## 中英文教学资源
 
@@ -73,7 +71,7 @@
 > <b>&mdash; 余凯，地平线公司创始人 & CEO</b>
 
 > <p>"强烈推荐这本书！我特别赞赏这种手脑一体的学习方式。"</p>
-> <b>&mdash; 漆远，蚂蚁金服副总裁、首席AI科学家</b>
+> <b>&mdash; 漆远，复旦大学“浩清”教授、人工智能创新与产业研究院院长</b>
 
 > <p>"《动手学深度学习》是一本很容易让学习者上瘾的书。"</p>
 > <b>&mdash; 沈强，将门创投创始合伙人</b>
@@ -82,4 +80,4 @@
 
 感谢[社区贡献者们](https://github.com/d2l-ai/d2l-zh/graphs/contributors)为每一位读者改进这本开源书。
 
-[如何贡献](https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/contributing.html) | [致谢](https://zh-v2.d2l.ai/chapter_preface/index.html) | [讨论或报告问题](https://discuss.d2l.ai/c/chinese-version/16) | [其他](INFO.md)
+[如何贡献](https://zh.d2l.ai/chapter_appendix-tools-for-deep-learning/contributing.html) | [致谢](https://zh.d2l.ai/chapter_preface/index.html) | [讨论或报告问题](https://discuss.d2l.ai/c/chinese-version/16) | [其他](INFO.md)

chapter_appendix-tools-for-deep-learning/aws.md

@@ -1,7 +1,7 @@
 # 使用Amazon EC2实例
 :label:`sec_aws`
 
-在本节中，我们将向你展示如何在原始Linux机器上安装所有库。回想一下，在 :numref:`sec_sagemaker`中，我们讨论了如何使用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：
+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。
 
 1. 从AWS EC2请求GPU Linux实例。
 1. 安装CUDA（或使用预装CUDA的Amazon机器映像）。
@@ -44,7 +44,7 @@
 :width:`700px`
 :label:`fig_ubuntu`
 
-EC2提供了许多不同的实例配置可供选择。对于初学者来说，这有时会让人感到困惑。 :numref:`tab_ec2`列出了不同合适的计算机。
+EC2提供了许多不同的实例配置可供选择。对初学者来说，这有时会让人感到困惑。 :numref:`tab_ec2`列出了不同合适的计算机。
 
 :不同的EC2实例类型
 
@@ -152,7 +152,7 @@ echo "export LD_LIBRARY_PATH=\${LD_LIBRARY_PATH}:/usr/local/cuda/lib64" >> ~/.ba
 
 ## 安装库以运行代码
 
-要运行本书的代码，只需在EC2实例上为linux用户执行 :ref:`chap_installation`中的步骤，并使用以下提示在远程linux服务器上工作：
+要运行本书的代码，只需在EC2实例上为linux用户执行 :ref:`chap_installation`中的步骤，并使用以下提示在远程linux服务器上工作。
 
 * 要在Miniconda安装页面下载bash脚本，请右击下载链接并选择“copy Link address”，然后执行`wget [copied link address]`。
 * 运行`~/miniconda3/bin/conda init`, 你可能需要执行`source~/.bashrc`，而不是关闭并重新打开当前shell。
@@ -185,7 +185,7 @@ jupyter notebook
 
 由于云服务是按使用时间计费的，你应该关闭不使用的实例。请注意，还有其他选择：
 
-* “Stopping”（停止）实例意味着你可以重新启动它。这类似于关闭常规服务器的电源。但是，停止的实例仍将按保留的硬盘空间收取少量费用。
+* “Stopping”（停止）实例意味着你可以重新启动它。这类似于关闭常规服务器的电源。但是，停止的实例仍将按保留的硬盘空间收取少量费用；
 * “Terminating”（终止）实例将删除与其关联的所有数据。这包括磁盘，因此你不能再次启动它。只有在你知道将来不需要它的情况下才这样做。
 
 如果你想要将该实例用作更多实例的模板，请右击 :numref:`fig_connect`中的例子，然后选择“Image”$\rightarrow$“Create”以创建该实例的镜像。完成后，选择“实例状态”$\rightarrow$“终止”以终止实例。下次要使用此实例时，可以按照本节中的步骤基于保存的镜像创建实例。唯一的区别是，在 :numref:`fig_ubuntu`所示的“1.选择AMI”中，你必须使用左侧的“我的AMI”选项来选择你保存的镜像。创建的实例将保留镜像硬盘上存储的信息。例如，你不必重新安装CUDA和其他运行时环境。

chapter_appendix-tools-for-deep-learning/contributing.md

@@ -5,7 +5,7 @@
 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个小时到几天的时间。
+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](https://github.com/d2l-ai/d2l-en/pulls)。
@@ -45,6 +45,7 @@
 请使用`#@tab`来标记代码块的起始行。
 例如`#@tab pytorch`用于一个PyTorch代码块，
 `#@tab tensorflow`用于一个TensorFlow代码块，
+`#@tab paddle`用于一个PaddlePaddle代码块，
 或者`#@tab all`是所有实现的共享代码块。
 你可以参考[d2lbook](http://book.d2l.ai/user/code_tabs.html)包了解更多信息。
 

chapter_appendix-tools-for-deep-learning/d2l.md

@@ -22,48 +22,54 @@
 ```
 :end_tab:
 
+:begin_tab:`paddle`
+```eval_rst
+.. currentmodule:: d2l.paddle
+```
+:end_tab:
+
 ## 模型
 
-```eval_rst 
+```eval_rst
 .. autoclass:: Module
-   :members: 
+   :members:
 
 .. autoclass:: LinearRegressionScratch
    :members:
 
 .. autoclass:: LinearRegression
-   :members:    
+   :members:
 
 .. autoclass:: Classification
    :members:
 ```
 
 ## 数据
 
-```eval_rst 
+```eval_rst
 .. autoclass:: DataModule
-   :members: 
+   :members:
 
 .. autoclass:: SyntheticRegressionData
-   :members: 
+   :members:
 
 .. autoclass:: FashionMNIST
    :members:
 ```
 
 ## 训练
 
-```eval_rst 
+```eval_rst
 .. autoclass:: Trainer
-   :members: 
+   :members:
 
 .. autoclass:: SGD
    :members:
 ```
 
 ## 公用
 
-```eval_rst 
+```eval_rst
 .. autofunction:: add_to_class
 
 .. autofunction:: cpu
@@ -73,7 +79,7 @@
 .. autofunction:: num_gpus
 
 .. autoclass:: ProgressBoard
-   :members: 
+   :members:
 
 .. autoclass:: HyperParameters
    :members:

chapter_appendix-tools-for-deep-learning/index.md

@@ -1,7 +1,7 @@
 # 附录：深度学习工具
 :label:`chap_appendix_tools`
 
-为了充分利用《动手学深度学习》，我们将在本附录中介绍不同工具，
+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。
 
 ```toc

chapter_appendix-tools-for-deep-learning/jupyter.md

@@ -1,4 +1,4 @@
-# 使用Jupyter Notebooks
+# 使用Jupyter Notebook
 :label:`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](https://jupyter.readthedocs.io/en/latest/)中的优秀教程。 
@@ -60,7 +60,7 @@
 首先，安装notedown插件，运行Jupyter Notebook并加载插件：
 
 ```
-pip install mu-notedown  # 你可能需要卸载原始notedown
+pip install d2l-notedown  # 你可能需要卸载原始notedown
 jupyter notebook --NotebookApp.contents_manager_class='notedown.NotedownContentsManager'
 ```
 
@@ -86,7 +86,7 @@ c.NotebookApp.contents_manager_class = 'notedown.NotedownContentsManager'
 ssh myserver -L 8888:localhost:8888
 ```
 
-以上是远程服务器`myserver`的地址。然后我们可以使用http://localhost:8888 访问运行Jupyter Notebook的远程服务器`myserver`。在下一节中，我们将详细介绍如何在AWS实例上运行Jupyter Notebook。 
+以上是远程服务器`myserver`的地址。然后我们可以使用http://localhost:8888 访问运行Jupyter Notebook的远程服务器`myserver`。下一节将详细介绍如何在AWS实例上运行Jupyter Notebook。 
 
 ### 执行时间
 

chapter_appendix-tools-for-deep-learning/sagemaker.md

@@ -1,7 +1,7 @@
 # 使用Amazon SageMaker
 :label:`sec_sagemaker`
 
-深度学习应用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。
+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
 
@@ -79,27 +79,36 @@ SageMaker提供多个具有不同计算能力和价格的[实例类型](https://
 你可能希望在从远程存储库提取更新之前提交本地更改。否则，只需在终端中使用以下命令放弃所有本地更改：
 
 :begin_tab:`mxnet`
+
 ```bash
 cd SageMaker/d2l-en-sagemaker/
 git reset --hard
 git pull
 ```
+
+
 :end_tab:
 
 :begin_tab:`pytorch`
+
 ```bash
 cd SageMaker/d2l-pytorch-sagemaker/
 git reset --hard
 git pull
 ```
+
+
 :end_tab:
 
 :begin_tab:`tensorflow`
+
 ```bash
 cd SageMaker/d2l-tensorflow-sagemaker/
 git reset --hard
 git pull
 ```
+
+
 :end_tab:
 
 ## 小结