深度學習入門必看
看網上搜集的各種龐雜的DL學習資料列表，你可能會被嚇死。但實際上大部分學習資料都包含了相當多重復的內容，下面是我個人總結的一些學習經驗，希望能去蕪存菁，幫助程序員快速進入深度學習的聖殿。
數學基礎。如果你去讀深度學習的論文，會發現數學對於DL非常重要，線性代數、概率論、甚至微積分都有用武之地。這些知識都還給學校了怎麽辦？難道要把所有這些課程再學一遍？大可不必。只要把DL需要用到的部分好好復習一下就好。這裏推薦《Deep Learning》這本權威著作的第一部分，詳述了機器學習需要的數學基礎，另外也講了機器學習領域的很多基本概念。
一本入門教材。雖然上面提到的《Deep Learning》是公認的DL最權威教材，但是一般人會覺得過於艱深，包含太多數學方面的論證。如果你對數學公式不太感冒，建議不要用這本書入門。我推薦一本《Hands on Machine Learning》。不要被書的名字欺騙了，本書的內容其實一點也不初級，講述的很全面深入。但是語言非常流暢，容易讀懂。這本書分為兩部分，第一部分講述了機器學習的各種傳統算法，第二部分才是深度學習的內容。傳統算法的學習很有必要，一方面幫助我們理解ML發展的脈絡，另一方面，很多傳統算法其實並沒有被淘汰，比如RandomForest這種基於決策樹的算法，在結構化數據的挖掘方面非常有效。
一個入門課程。這裏我提供兩個選項：
第一推薦Andrew Ng剛剛上線的Deeplearning.ai。Andrew Ng的課，品質應該不會差，而且估計他會加入很多最前沿的研究。這門課剛剛開課，應該會持續幾個月的時間。所以要做好長期學習的準備。
第二個是我上過的fast.ai。這門課的講師也是個牛人，曾負責Kaggle平臺的研發。這個課程更加註重實踐，在講解概念的同時，用Keras+Jupyter Notebook直接演示模型的訓練。總共只有7節課，每課時兩個小時，但是每節課的Notes裏面附帶大量的參考資料，需要花很多時間去自學、消化。這門課現在開始了第二學期，講DL最前沿的研究進展，也是7節課。另外，需要習慣一下講師的澳洲英語。
選一個方向。深度學習可應用的領域很多，我們需要選擇其中一個深入研究。方向包括：計算機視覺（圖像、視頻處理，主要用CNN）、自然語言處理NLP（包括文本、語音處理，序列數據往往需要RNN）、增強學習（用在機器人、自動駕駛等方面），此外對於生成模型（GAN、VAE等等）的研究也是一個熱點。
讀一些論文。在選定方向以後，我們可以去讀一下這個方向的經典論文。說是經典，但是深度學習這個方向真正爆發也就是最近幾年的事情，所以很多東西其實都是前兩年的論文結果。推薦一個Awesome Deep Learning Papers的論文列表，個人覺得整理得不錯，有參考價值。DL這個領域進展特別快，前幾年的研究結果可能早已經被超越了，所以讀論文要保持開放心態。不過，論文有的時候真的很啰嗦，幸好有網友總結了一下：aleju/papers，先讀這個總結，帶著問題再去讀論文效果好很多。
選一個框架。DL現在有很多非常成熟的框架了，每個科技公司都有自己的一套東西，Google系的TensorFlow現在似乎風頭更勁一些。他們之間的比較可以看看這篇文章。我覺得這個跟編程語言之爭一樣，沒必要太糾結，選一個自己喜歡的就好。各個框架訓練出來的模型一定可以互相轉換的。
動手做一些深度學習項目。網上有很多開放的數據集，可以拿來做訓練，先做些簡單的，比如MNIST，IMDB影評的情感分析等。然後可以去Kaggle上做一些以前的的競賽項目，比如Cats VS Dogs一類的。如果你足夠厲害，可以參加當前的Kaggle挑戰，說不定順便贏個幾十萬美金呢：）
最後，關註一下DL最新的研究動向。這方面的媒體非常多，公眾號、知乎專欄，一搜一大把，還有很多科技博客也是頻繁更新。我推薦一個newsletter：import AI，很多人都覺得不錯，一周一次，讀起來也不會有太大負擔。
所以你看，深度學習其實沒有那麽難學，不需要你制定幾年計劃。但是要有一定自學的能力，盡快動手寫程序出來，就能建立自信突破心理障礙，再學下去就非常自如了。
Keep Calm and Carry On!
P.S. 我提到的很多資料都要FQ，相信這對於程序員不是問題。另外建議書籍、文章讀英文原版，我個人做過技術書的翻譯，對中文技術譯作沒什麽好感，大部分技術書翻譯以後都難以表達原意，甚至包含錯誤，讀起來比原版費勁。
作者：Dean0Winchester
來源：CSDN
原文：https://blog.csdn.net/qq_38906523/article/details/78031022
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！
深度學習入門必看