『深度学习』「最全」实至名归，NumPy 官方早有中文教程，结合深度学习( 二 ) |机器学习|人工智能|Python|

注意和深度学习的联系
另一方面， NumPy 中文版教程注意到了深度学习近来的发展趋势，因此推出了结合 NumPy 和百度飞桨框架的深度学习教程。可以说， NumPy 不仅仅只是科学计算工具了，而是深度学习社区的重要组成部分。
如下为这一部分的内容，可以看到，神经网络相关的所有内容，包括原理和相关实现都涵盖到了。在这部分还有一个 7 日的深度学习入门课程，供小白用户参考。
深度学习基础教程

前言
线性回归
数字识别
图像分类
词向量
个性化推荐
情感分析
语义角色标注
机器翻译
生成对抗网络

七日入门深度学习（正在更新）

Day 1：初识深度学习
Day 1：如何快速入门深度学习？
Day 2：图像识别基础与实战
Day 3：目标检测基础与实践（一）
Day 3：目标检测实战-RCNN算法讲解
Day 3：目标检测实战-YOLOv3检测物体

以如下代码为例，这是一个线性回归神经网络构建的代码部分。可以看到，代码使用 NumPy 进行加载和预处理，并使用飞桨构建数据分批等的相关函数。

feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX','PTRATIO', 'B', 'LSTAT', 'convert']feature_num = len(feature_names)data = http://news.hoteastday.com/a/np.fromfile(filename, sep=' ') # 从文件中读取原始数据data = data.reshape(data.shape[0] // feature_num, feature_num)maximums, minimums, avgs = data.max(axis=0), data.min(axis=0), data.sum(axis=0)/data.shape[0]for i in six.moves.range(feature_num-1):data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i]) # six.moves可以兼容python2和python3ratio = 0.8 # 训练集和验证集的划分比例offset = int(data.shape[0]*ratio)train_data = data[:offset]test_data = data[offset:]def reader_creator(train_data):def reader():for d in train_data:yield d[:-1], d[-1:]return readertrain_reader = paddle.batch(paddle.reader.shuffle(reader_creator(train_data), buf_size=500),batch_size=BATCH_SIZE)test_reader = paddle.batch(paddle.reader.shuffle(reader_creator(test_data), buf_size=500),batch_size=BATCH_SIZE)

用户文档和参考手册：覆盖 NumPy 的一切
当然，最核心的部分当然是 NumPy 本身的文档了。中文版中对用户的使用文档和 NumPy 所有 API 都进行了翻译和整理工作，基本上用户需要的内容都可以在这里找到。
用户文档目录如下，这里还贴心地提供了和「竞品」Matlab 的比较，以及 NumPy 在 C 语言下的 API 使用方法。

NumPy 介绍
快速入门教程
NumPy 基础知识
其他杂项
与 Matlab 比较
从源代码构建
使用 NumPy 的 C-API

从这里可以看到，官方中文版真的是诚意满满。不仅提供原始文档的翻译，还加上了包括深度学习教程、其他来源的功能+原理解读材料。对于刚上手 NumPy 的人来说，这就是最佳的学习教程。不管是自学也好，还是用于开发也好，都是极好的。
其他资源及文档
如果读到这里你还不过瘾？没关系，官网还有相关配套的文章及视频，让你多样化地保持新鲜感：

本文插图
另外，独有一份的防脱发指南让你入坑之时再无后顾之忧：