01- TensorFlow的网页工具playground
http://playground.tensorflow.org
playground提供了几种简单类型的data，可以调节网络结构、学习率、激活函数、正则项等参数，非常直观地看到每个神经元和相关输出的变化，体会到简化的深度学习模型调参的过程。
02- ConvNetJS
https://cs.stanford.edu/people/karpathy/convnetjs/
ConvNetJS将一些经典数据集（如Mnist和Cifar-10）每层网络的输出可视化出来，帮助理解不同网络做了什么事情。
03- 深度学习框架
Tensorflow是成为一名AI工程师最好的选择。
Keras是基于Tensorflow的进一步封装，因为高度封装，所以使用起来异常简单。
如果不想花太多时间在框架上，但又想去实现一个神经网络模型的话，建议去学习Keras，适用于产品经理。
04- MNIST数据集
MNIST（Mixed National Institute of Standards and Technology database）是一个计算机视觉数据集；
包含70000张手写数字的灰度图片，其中60000张为训练图像和10000张为测试图像；
每一张图片都是28*28个像素点大小的灰度图像；
MNIST数据集分为四个部分
Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本)
Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签)
Test set images: t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本)
Test set labels: t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签)MNIST官方下载地址：http://yann.lecun.com/exdb/mnist/
05- 速查表
06- 在Windows笔记本上用GPU进行深度学习
原文链接：https://zhuanlan.zhihu.com/p/29841665
07- 使用Linux平台进行深度学习
如果要做深度学习，Linux还是首选，因为其对很多学习模型支持比较好（主要是深度学习的Library）。
如果使用的是Windows系统，可以使用虚拟机来安装Ubuntu来进行学习。
小型的深度学习模型足够了，大型的深度学习我们很少在本地/个人计算机上运行。