Generative_Deep_Learning_2nd_Edition

跟着书敲代码，从零学会图像和文本生成

这是 O'Reilly 出版的《Generative Deep Learning》第二版的官方代码仓库，旨在通过 Jupyter Notebook 教程，帮助读者掌握生成式深度学习。它覆盖了从基础到前沿的生成模型，包括变分自编码器（VAE）、生成对抗网络（GAN）、扩散模型，以及基于 Transformer 的模型（如 GPT 和 DALL·E 2）。每个章节配有可运行的代码和解释，解决学习者‘理论懂但不会实现’的痛点。核心能力是提供结构化、可复现的实验环境，让读者能动手训练模型，理解图像、文本和音乐生成背后的原理。仓库代码与书籍章节同步，适合作为教材配套或自学指南。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1558

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队davidADSP

所属国家

官网地址https://www.oreilly.com/library/view/generative-deep-learning/9781098134174

GitHubhttps://github.com/davidADSP/Generative_Deep_Learning_2nd_Edition

定价模式free

价格说明开源书籍配套代码，完全免费，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Jupyter Notebook

技术栈/模型chatgpt,dalle2,data-science,deep-learning,diffusion-models,generative-adversarial-network,gpt-3,machine-learning,python,stable-diffusion,tensorflow

GitHub 星标★ 1558

30天Star增速

HF 下载量

上线时间2022-03-25 00:00:00

最近更新2026-09-23 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

难度：入门约 20 分钟部署方式：Docker 6 步

环境要求

已安装 Docker（含 docker compose）
已安装 Git 用于拉取仓库代码
Kaggle 账号及 API Token（部分数据集需要）
如需 GPU 加速：本机具备可用的 GPU 环境

安装与启动步骤

1克隆代码仓库

从 GitHub 拉取官方仓库到本地，后续所有操作都在该目录内进行。

git clone https://github.com/davidADSP/Generative_Deep_Learning_2nd_Edition.git
cd Generative_Deep_Learning_2nd_Edition

2获取 Kaggle Token

注册 Kaggle 账号，进入账号页 Account → Create API Token，下载得到 kaggle.json 凭证文件。
3创建 .env 文件

在仓库根目录新建 .env，写入 Jupyter 与 TensorBoard 端口；Kaggle 用户名和 API Key 按 README 示例补充。
```
JUPYTER_PORT=8888
TENSORBOARD_PORT=6006
```
4构建 Docker 镜像

无 GPU 用第一条命令；想用 GPU 则改用带 gpu 配置文件的第二条命令，首次构建耗时较长。
```
docker compose build
docker compose -f docker-compose.gpu.yml build
```
5启动容器

无 GPU 执行第一条，GPU 环境执行第二条。启动后 Jupyter 服务会监听 .env 中配置的端口。
```
docker compose up
docker compose -f docker-compose.gpu.yml up
```
6打开 Jupyter

在本地浏览器访问 Jupyter 地址，进入 /notebooks 目录即可按章节运行配套 Notebook。
```
http://localhost:8888
```

关键配置

配置项	必填	说明	示例
`JUPYTER_PORT`	是	Jupyter Notebook 对外提供服务的端口	`8888`
`TENSORBOARD_PORT`	是	TensorBoard 可视化的服务端口	`6006`

如何确认成功

浏览器打开 http://localhost:8888 能显示 Jupyter 界面，且容器日志中 Jupyter 已正常启动即成功。

常见问题

Q：没有 GPU 可以运行吗？

A：可以。使用 README 中不带 -f docker-compose.gpu.yml 的默认命令构建和启动即可。

Q：Jupyter 页面打不开怎么办？

A：检查 .env 中的 JUPYTER_PORT 是否为 8888，并确认访问地址与端口一致，同时查看容器日志是否有报错。

Q：数据集下载失败？

A：部分数据集需 Kaggle 账号与 API Token，按 README 生成 kaggle.json 并配置到项目 .env 中。

Q：GPU 版启动失败？

A：确认本机 GPU 驱动与 Docker GPU 支持正常，并使用 docker-compose.gpu.yml 配置文件启动。

注意事项

README 中的 .env 示例在 Kaggle 凭证部分被截断，具体变量名请以仓库内 .env 示例文件为准。
配套 Notebook 位于仓库 /notebooks 目录，按章节和示例组织。
首次构建镜像会下载大量依赖，请预留足够时间和磁盘空间。
不熟悉 Docker 的用户可先阅读仓库内 docs/docker.md 指南。

核心亮点

代码与书籍章节一一对应，学习路径清晰
覆盖 VAE、GAN、扩散模型、Transformer 等主流生成模型
每个 Notebook 可直接在 Colab 运行，降低环境配置门槛

不足之处

部分模型依赖旧版库（如 TensorFlow 1.x），需自行适配
文档和社区讨论较少，遇到问题难找现成答案

适用场景

自学生成式 AI 的配套练习
大学课程或培训班的实验教材
快速上手扩散模型和 Transformer 生成器的参考

替代项目

Hugging Face Diffusers、Keras.io 官方生成模型教程、The Annotated Transformer

项目介绍

Generative_Deep_Learning_2nd_Edition 是学习教育领域的开源项目，由 davidADSP 开发，2022 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（1,558）位列前 30%，在学习教育分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-23。开源书籍配套代码，完全免费，无付费版本。

它主要面向的使用场景是：自学生成式AI的配套练习。同类可对比的替代方案包括 Hugging Face Diffusers、Keras.io 官方生成模型教程、The Annotated Transformer。

上一篇：Awesome-AIGC-Tutorials

下一篇：AnkiAIUtils