看网上搜集的各种庞杂的DL学习资料列表，你可能会被吓死。但实际上大部分学习资料都包含了相当多重复的内容，下面是我个人总结的一些学习经验，希望能去芜存菁，帮助程序员快速进入深度学习的圣殿。
数学基础。如果你去读深度学习的论文，会发现数学对于DL非常重要，线性代数、概率论、甚至微积分都有用武之地。这些知识都还给学校了怎么办？难道要把所有这些课程再学一遍？大可不必。只要把DL需要用到的部分好好复习一下就好。这里推荐《Deep Learning》这本权威著作的第一部分，详述了机器学习需要的数学基础，另外也讲了机器学习领域的很多基本概念。
一本入门教材。虽然上面提到的《Deep Learning》是公认的DL最权威教材，但是一般人会觉得过于艰深，包含太多数学方面的论证。如果你对数学公式不太感冒，建议不要用这本书入门。我推荐一本《Hands on Machine Learning》。不要被书的名字欺骗了，本书的内容其实一点也不初级，讲述的很全面深入。但是语言非常流畅，容易读懂。这本书分为两部分，第一部分讲述了机器学习的各种传统算法，第二部分才是深度学习的内容。传统算法的学习很有必要，一方面帮助我们理解ML发展的脉络，另一方面，很多传统算法其实并没有被淘汰，比如RandomForest这种基于决策树的算法，在结构化数据的挖掘方面非常有效。
一个入门课程。这里我提供两个选项：
第一推荐Andrew Ng刚刚上线的Deeplearning.ai。Andrew Ng的课，品质应该不会差，而且估计他会加入很多最前沿的研究。这门课刚刚开课，应该会持续几个月的时间。所以要做好长期学习的准备。
第二个是我上过的fast.ai。这门课的讲师也是个牛人，曾负责Kaggle平台的研发。这个课程更加注重实践，在讲解概念的同时，用Keras+Jupyter Notebook直接演示模型的训练。总共只有7节课，每课时两个小时，但是每节课的Notes里面附带大量的参考资料，需要花很多时间去自学、消化。这门课现在开始了第二学期，讲DL最前沿的研究进展，也是7节课。另外，需要习惯一下讲师的澳洲英语。
选一个方向。深度学习可应用的领域很多，我们需要选择其中一个深入研究。方向包括：计算机视觉（图像、视频处理，主要用CNN）、自然语言处理NLP（包括文本、语音处理，序列数据往往需要RNN）、增强学习（用在机器人、自动驾驶等方面），此外对于生成模型（GAN、VAE等等）的研究也是一个热点。
读一些论文。在选定方向以后，我们可以去读一下这个方向的经典论文。说是经典，但是深度学习这个方向真正爆发也就是最近几年的事情，所以很多东西其实都是前两年的论文结果。推荐一个Awesome Deep Learning Papers的论文列表，个人觉得整理得不错，有参考价值。DL这个领域进展特别快，前几年的研究结果可能早已经被超越了，所以读论文要保持开放心态。不过，论文有的时候真的很啰嗦，幸好有网友总结了一下：aleju/papers，先读这个总结，带着问题再去读论文效果好很多。
选一个框架。DL现在有很多非常成熟的框架了，每个科技公司都有自己的一套东西，Google系的TensorFlow现在似乎风头更劲一些。他们之间的比较可以看看这篇文章。我觉得这个跟编程语言之争一样，没必要太纠结，选一个自己喜欢的就好。各个框架训练出来的模型一定可以互相转换的。
动手做一些深度学习项目。网上有很多开放的数据集，可以拿来做训练，先做些简单的，比如MNIST，IMDB影评的情感分析等。然后可以去Kaggle上做一些以前的的竞赛项目，比如Cats VS Dogs一类的。如果你足够厉害，可以参加当前的Kaggle挑战，说不定顺便赢个几十万美金呢：）
最后，关注一下DL最新的研究动向。这方面的媒体非常多，公众号、知乎专栏，一搜一大把，还有很多科技博客也是频繁更新。我推荐一个newsletter：import AI，很多人都觉得不错，一周一次，读起来也不会有太大负担。
所以你看，深度学习其实没有那么难学，不需要你制定几年计划。但是要有一定自学的能力，尽快动手写程序出来，就能建立自信突破心理障碍，再学下去就非常自如了。
Keep Calm and Carry On!
P.S. 我提到的很多资料都要FQ，相信这对于程序员不是问题。另外建议书籍、文章读英文原版，我个人做过技术书的翻译，对中文技术译作没什么好感，大部分技术书翻译以后都难以表达原意，甚至包含错误，读起来比原版费劲。
作者：Dean0Winchester
来源：CSDN
原文：https://blog.csdn.net/qq_38906523/article/details/78031022
版权声明：本文为博主原创文章，转载请附上博文链接！