datawhalechina/d2l-ai-solutions-manual

《动手学深度学习》习题解答，在线阅读地址如下：

d2l-ai-solutions-manual's Issues

参数绑定的含义讨论

这里似乎不是进行参数绑定吧，我看 d2l 书上参数绑定的意思似乎是参数共享的意思，你这里的答案似乎就是直接用其他的网络层的参数替换掉了 net 中的第一层的参数吧

实验与解答不符

上图是仓库中的关于这题的回答，但是经我实验，如下图，我用的 Pytorch，用全零初始化 w ，最终也是能拟合的：

我不知道是我弄错了还是这里的答案写错了呢

ch14_finish

8.6.3节中采用RNN实现自回归模型似乎有问题

输入的x的size为[batch_size, seq_len],通过 rnn_out, _ = self.rnn(input.view(len(input), 1, -1))中的变换后送入rnn中的含义为[batch_size,1,seq_len]，这里似乎是有问题的，原因在于rnn的默认的第一个维度为时间序列，不是batch_size。

有些讨论题的答案感觉有点不太对劲

这块感觉应该是读写次数的增加导致读写效率的降低。
其他部分讨论题的答案也感觉和大佬有些出入，不过计算题的答案让我很受用

14.8、14.9、14.10习题解答

4.6.7感觉也不太对

放在激活函数前后应该只影响前向传播，反向传播的话，那些被置为0的神经元对应的梯度应该都是不影响的，都是0

第九章

求第九章的答案 跪谢🙇‍♂️

公式推导问题

请问这里是不是写反了呢，感觉应该是 b - x_i 才对啊

3.1. 线性回归答案的一些想法

3.1.1
第一问的证明办法有点麻烦，直接对b求导，我们可以得到
$\sum 2(b-x_i)=0$展开后可以直接得到最后的结果
然后第二问我感觉描述有点混乱，我的建议改成：
对于一个正态分布的总体，取n次样本 $x_1, \dots x_n $，此时得到的样本平均数为 $\bar x$，根据大数定理，在取较多的样本，也就是n比较大的时候, $b=\bar x$会趋近于正态分布的期望（或者中心）
3.1.2
“多个局部最小值”的说法不成立，算一下Hessian可以知道解析解应该是global minimum($X^TX$是半正定矩阵），

这道题为啥我认为是除以批量大小呢？

这道题为啥我认为是除以批量大小呢？问了一下 GPT ，也是除以的

练习 7.1.4

练习 7.1.4这里应该占用显存和计算量大的都是后面的全连接层
来自gpt3.5的答案:
在AlexNet中，主要占用显存的部分是最后两个隐藏层，它们分别需要计算大小为64004096和40964096的矩阵，这对应于164 MB的内存占用。这两个隐藏层的计算量较大，需要进行81 MFLOPs的计算，这也是计算上的主要开销。

在计算性能方面，最后两个隐藏层需要更多的计算资源，因为它们的参数数量庞大，分别有超过4000万个参数。这导致了81 MFLOPs的计算开销，相对较高。

git 克隆后的文件太大

克隆到本地后发现该pack文件太大，可以优化一下吗

解答错误，练习 3.1.3 中的 第二 和 第三问中