Github上的代码会不定期进行更新，将会逐渐支持以下软件版本
- Python-3.6.8
- PyTorch-1.0.1
猫狗数据集Kaggle下载地址：https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/data
猫狗数据集百度网盘下载地址：https://pan.baidu.com/s/1yKpDPRfFkYca6E1nZ-g1hg 提取码：qh1z
感谢xhy3054、Zehui-Lin发现书中的错误。
P2
原文：
...，人工智能历史上的第1股浪潮就这样顺理成章地形成了，...
纠正：
...，人工智能历史上的第1股浪潮就这样顺理成章的形成了，...
P17
原文：
如果我们想要获得索引值是12和33的值，...
纠正：
如果我们想要获得索引值是21和32的值，...
P40
原文：
...，虽然梯度下降已被广泛应用，但是其自身纯在许多不足，...
纠正：
...，虽然梯度下降已被广泛应用，但是其自身存在许多不足，...
P77
原文：
（3）conda remove -n test -all：在命令行窗口中输入“conda remove -n test -all”并回车，... ；“-all”表示删除指定环境下所有已经安装的包。
纠正：
（3）conda remove -n test --all：在命令行窗口中输入“conda remove -n test --all”并回车，... ；“--all”表示删除指定环境下所有已经安装的包。
P121
原文：
（1）使用NumPy中的onse可以创建维度指定且元素全为1的数组。...，在以上代码中使用onse生成了一个元素全为1且维度为（2,3）的数组，传递给onse的参数是一个列表，...
纠正：
（1）使用NumPy中的ones可以创建维度指定且元素全为1的数组。...，在以上代码中使用ones生成了一个元素全为1且维度为（2,3）的数组，传递给ones的参数是一个列表，...
P129
原文：
（3）randn：生成一个满足平均值为0且方差为1的正太分布随机样本数。...
纠正：
（3）randn：生成一个满足平均值为0且方差为1的正态分布随机样本数。...
P130
原文：
（7）normal：生成一个指定维度且满足高斯正太分布的随机样本数。...
纠正：
（7）normal：生成一个指定维度且满足高斯正态分布的随机样本数。...
P140
原文：
（5）“loc=4”：强制图例使用图中右上角的位置。...
纠正：
（5）“loc=4”：强制图例使用图中右下角的位置。...
P145
原文：
...，随机生成的浮点数的取值满足均值为0、方差为1的正太分布。...
纠正：
...，随机生成的浮点数的取值满足均值为0、方差为1的正态分布。...
P151
原文：
...，即前一个矩阵的行数必须和后一个矩阵的列数相等，...
纠正：
...，即前一个矩阵的列数必须和后一个矩阵的行数相等，...
P171
原代码：
transform=transforms.Compose([transforms.ToTensor(),
transforms.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5])])纠正代码：
transform=transforms.Compose([transforms.ToTensor(),
transforms.Normalize(mean=[0.5],std=[0.5])])P173
原代码：
images, labels = next(iter(data_loader_train))
img = torchvision.utils.make_grid(images)
img = img.numpy().transpose(1,2,0)
std = [0.5,0.5,0.5]
mean = [0.5,0.5,0.5]
img = img*std+mean
print([labels[i] for i in range(64)])
plt.imshow(img)纠正代码：
images, labels = next(iter(data_loader_train))
img = torchvision.utils.make_grid(images)
img = img.numpy().transpose(1,2,0)
std = [0.5]
mean = [0.5]
img = img*std+mean
print([labels[i] for i in range(64)])
plt.imshow(img)P177
原代码：
loss.backward()
optimizer.step()
running_loss += loss.data[0]
running_correct += torch.sum(pred == y_train.data)纠正代码：
loss.backward()
optimizer.step()
running_loss += loss.data
running_correct += torch.sum(pred == y_train.data)P216-217
原代码：
path = "dog_vs_cat"
transform = transforms.Compose([transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.5,0.5,0.5], [0.5,0.5,0.5])])纠正代码： 代码冗余进行删除。
P234
原文：
...，如果为偶数，则极有可能会出现结果无法判断的情况。
纠正：
...，如果为偶数，还需要多一步结果的随机抽选。
P236
原文：
...，比如在Kaggle比赛中就经常会用到各种各样的多模型融合实例。
纠正：
...，比如在Kaggle比赛中就经常会用到各种各样的多模型融合实例。
P256
原代码：
print("Loss is:{:.4f}, Train Accuracy is:{:.4f}%, Test Accuracy is:{:.4f}".format(running_loss/len(dataset_train),100*running_correct/len(dataset_train),100*testing_correct/len(dataset_test)))纠正代码： 代码前多加4个空格。
P264
原代码：
img1 = torchvision.utils.make_grid(X_test)
img1 = img1.numpy().transpose(1,2,0)
std = [0.5,0.5,0.5]
mean = [0.5,0.5,0.5]
img1 = img1*std+mean纠正代码：
img1 = torchvision.utils.make_grid(X_test)
img1 = img1.numpy().transpose(1,2,0)
std = [0.5]
mean = [0.5]
img1 = img1*std+meanP265、P271
原代码：
transform = transforms.Compose([transforms.ToTensor(),
transforms.Normalize(mean=[0.5,0.5,0.5], std=[0.5,0.5,0.5])])
std = [0.5,0.5,0.5]
mean = [0.5,0.5,0.5]纠正代码：
transform = transforms.Compose([transforms.ToTensor(),
transforms.Normalize(mean=[0.5], std=[0.5])])
std = [0.5]
mean = [0.5]P273
原代码：
print("Loss is:{:.4f}".format(running_loss/len(dataset_train)))纠正代码： 代码前多加4个空格。
作者知乎主页：https://www.zhihu.com/people/JaimeTang/activities
读者如果发现书中有问题，希望提issues给本人，作者会及时解答，谢谢!
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent