1这是一本什么书
打开 zh.d2l.ai 目录页，数一全书分几大部分，各是什么主题。
第 1 页 · 正面（题目）
2读之前要会什么
写一段 Python：定义一个函数 f(x) 返回 x 的平方，再打印 f(1) 到 f(5)。
3第一部分：预备知识怎么过
心算验证： 的导数是 ，当 时导数是多少？
4线性网络与MLP：入门两章攻略
用家长的手机查 5 套同小区房子的面积和总价，看看面积每多 10 平米，价格大约多多少。
5CNN 两章：从 LeNet 到 ResNet
拿一张自己的照片，用手机相册的「编辑—锐化」功能看变化，猜猜这和卷积核有什么关系。
6RNN 与现代循环网络
找一句绕口令或长句（比如报菜名），试试只听一遍能记住开头还是结尾。
7注意力与 Transformer
在一句话里圈出代词（它、他、这），说出每个代词真正指谁，体会机器要靠「注意力权重」才能做的事。
8优化、计算性能与 CV/NLP 应用
数一张照片的像素数（比如 1200 万），乘以一个中型网络的参数数，感受为什么需要 GPU。
9读完之后：你的深度学习路线图
和家长一起制定三个月学习计划：选定一条路线，写出每周投入时间和三个月后的目标作品。
第 1 页 · 背面（答案）
参考答案（家长）：def f(x): return x**2，然后 for i in range(1,6): print(f(i))。能独立写出来，Python 先修就基本够了。
参考答案（家长）：正文从预备知识、线性网络、多层感知机、卷积网络、循环网络、注意力机制，一直到优化、计算性能、计算机视觉、自然语言处理应用，是「从地基到应用」的完整阶梯。
参考答案（家长）：多出来的差价除以 10，就是那条直线的斜率 w 的现实意义——每平米单价。这就是线性回归在真实世界的样子。
参考答案（家长）：4×3=12。导数 12 表示 x 在 3 附近每增加一点点，y 大约增加 12 倍那么多——这就是「变化的快慢」。
参考答案（家长）：多数人记得结尾（近因效应），开头模糊——这就是 RNN 的处境；LSTM 的闸门相当于听的时候拿笔把重点圈下来。
参考答案（家长）：锐化本身就是一种卷积操作——用一个强调边缘的小核对每个像素邻域加权求和。滤镜 = 手工设计的卷积核，CNN 是让电脑自己学出成千上万个核。
参考答案（家长）：一张 1200 万像素照片有 3600 万个数值（RGB 三通道），网络参数动辄上千万——一次训练要算万亿次乘法，CPU 要算到天荒地老，GPU 靠并行几小时搞定。
参考答案（家长）：人能秒懂指代，靠的是上下文关联；自注意力正是让每个词和所有词算关联度，「它」和「苹果」的权重自然最高。
参考答案（家长）：例：选 Kaggle 路线——每周 3 小时，第一个月复现书里的 ResNet，第二个月完成泰坦尼克入门赛并进前 50%，第三个月做一个自己的图像分类小项目。计划要具体、可检查、留有余量。