AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
哈佛机器学习系统课程开源教材,讲清 AI 系统如何构建及为何这样构建。
这是哈佛 CS249r 课程的开源教材系列,共四卷,覆盖机器学习系统基础、规模化、智能体 AI 与物理 AI。仓库不只放书稿,还配套 TinyTorch、MLSys·im、Labs、Kits、Slides 等工具,用于构建、测量和教学 ML 系统。第一卷将由 MIT Press 出版纸质版。
推荐指数
内容体系完整、配套工具齐全的 ML 系统教材,适合系统学习或直接用于授课。
近 7 天
+111
新增 Star
总 Star 排名
#231
雷达追踪的 3,958 个 AI 仓库中
创建于
2023
2023年9月7日
核心亮点
1四卷成体系
从系统基础到规模化、智能体 AI、物理 AI,逐层递进。
2配套工具链
TinyTorch、MLSys·im、Labs、Kits 等,边读边动手。
3约束驱动视角
用内存带宽、延迟、能耗等可复算的数字讲架构取舍。
4教学资源齐全
提供幻灯片、讲师页和实验,方便直接开课。
5多语言 README
含中文、日文、韩文版本,但翻译滞后于英文。
适用场景
高校课程教学
例如:教师用 Instructors 页和 Slides 组织一门机器学习系统课。
开发者自学
例如:后端工程师按卷阅读,配合 Labs 理解推理延迟与内存约束。
动手实现框架
例如:用 TinyTorch 从零搭一个迷你深度学习框架。
系统设计评估
例如:用 MLSys·im 模拟不同硬件下的性能与能耗权衡。
它是怎么工作的
第 1 步
阅读教材
按四卷顺序学习,从系统基础到物理 AI。
第 2 步
运行实验
用 Jupyter Labs 复现书中概念和测量。
第 3 步
动手构建
通过 TinyTorch 实现并训练小型模型。
第 4 步
模拟评估
用 MLSys·im 对系统设计做量化对比。
快速上手
- 1
访问在线教材
从官网进入四卷正文和配套资源。
- 2
浏览仓库结构
克隆仓库,查看 books、labs、kits 等目录。
git clone https://github.com/harvard-edge/cs249r_book.git - 3
打开实验
进入 Labs 页面按说明运行 Jupyter 笔记本。
适合谁
- 机器学习工程方向的学生
- 讲授系统课程的教师
- 需要理解部署约束的算法工程师
- 对边缘与端侧 ML 感兴趣的开发者
不太适合
- 只想学模型调参的初学者
- 寻找即用型生产框架的人
成熟度
- 活跃度最近一次推送在 2026 年 11 月,仍在持续更新。
- 文档四卷正文加官网、幻灯片和讲师资源,文档完整。
- 社区约 3 万 star、3700 多 fork,开放 issue 仅 10 个。
- 上手难度阅读门槛低,但配套实验和工具需要一定环境配置。
同类项目怎么选
- d2l-ai/d2l-zh侧重深度学习原理与实现,不聚焦系统约束与工程权衡。
- MLSys 相关课程仓库多为单门课程材料,缺少四卷教材加工具链的完整体系。
使用前注意
- · 许可证按组件区分,商用或再分发前需逐项确认。
- · 部分卷册仍处于预览或开发状态,内容可能变动。
- · 中文等翻译版本落后于英文原版。
- · 配套实验和硬件套件可能需要额外环境或成本。
