介紹

深度學(xué)習(xí)目前已經(jīng)成為了人工智能領(lǐng)域的突出話題。它在“計(jì)算機(jī)視覺”和游戲（AlphaGo）等領(lǐng)域的突出表現(xiàn)而聞名，甚至超越了人類的能力。近幾年對深度學(xué)習(xí)的關(guān)注度也在不斷上升，這里有一個(gè)調(diào)查結(jié)果可以參考。

這里有一個(gè) Google 的搜索趨勢圖：

如果你對這個(gè)話題感興趣，這里有一個(gè)很好的非技術(shù)性的介紹。如果你有興趣了解最近的趨勢，那么這里有一個(gè)很好的匯總。

在這篇文章中，我們的目標(biāo)是為所有深度學(xué)習(xí)的人提供一條學(xué)習(xí)之路，同時(shí)也是為想要進(jìn)一步學(xué)習(xí)的人提供一條探索的路徑。如果你準(zhǔn)備好了，那么讓我們開始吧！

步驟0：先決條件

建議在學(xué)習(xí)深度學(xué)習(xí)之前，你應(yīng)該先了解一些機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)。這篇文章列出了完整的學(xué)習(xí)機(jī)器學(xué)習(xí)的資源。

如果你想要一個(gè)簡單的學(xué)習(xí)版本。那么可以看下面的列表：

數(shù)學(xué)基礎(chǔ)（特別是微積分，概率和線性代數(shù)）

Python 基礎(chǔ)

統(tǒng)計(jì)學(xué)基礎(chǔ)

機(jī)器學(xué)習(xí)基礎(chǔ)

建議時(shí)間：2-6個(gè)月

步驟1：機(jī)器配置

在進(jìn)行下一步學(xué)習(xí)之前，你應(yīng)該確保你有一個(gè)支持你學(xué)習(xí)的硬件環(huán)境。一般建議你至少擁有以下硬件：

一個(gè)足夠好的 GPU（4+ GB），最好是 Nvidia

一個(gè)還可以的 CPU（比如：Intel Core i3，Intel Pentium 可能不適合）

4 GB RAM（這個(gè)取決于數(shù)據(jù)集大小）

如果你還不確定，那么請閱讀這個(gè)硬件指南。

備注：如果你是一個(gè)硬件玩家，那么你可能已經(jīng)擁有了所需的硬件。

如果你沒有所需的規(guī)格，那么你可以租一個(gè)云平臺(tái)來學(xué)習(xí)，比如 Amazon Web Service（AWS）。這是使用 AWS 進(jìn)行深度學(xué)習(xí)的良好指南。

備注：在這個(gè)階段不要安裝任何深度學(xué)習(xí)的庫，安裝過程我們會(huì)在步驟 3 中介紹。

步驟2：初試深度學(xué)習(xí)

現(xiàn)在，你已經(jīng)對這個(gè)領(lǐng)域有了一個(gè)初步的認(rèn)識(shí)，那么你應(yīng)該進(jìn)一步深入了解深度學(xué)習(xí)。

根據(jù)自己的偏好，我們可以選擇以下幾個(gè)途徑：

通過博客學(xué)習(xí)，比如 Fundamentals of Deep Learning ，Hacker’s guide to Neural Networks。

通過視頻學(xué)習(xí)，比如 Deep Learning Simplified。

通過書籍學(xué)習(xí)，比如 Neural networks and Deep Learning

除了上述的先學(xué)知識(shí)，你還應(yīng)該了解一些流行的深度學(xué)習(xí)庫和運(yùn)行他們的語言。以下是一個(gè)不太完整的列表（你可以通過查看 wiki 獲得更加完整的列表）：

Caffe

DeepLearning4j

Tensorflow

Theano

Torch

其他一些著名的庫：Mocha，neon，H2O，MXNet，Keras，Lasagne，Nolearn。關(guān)于深度學(xué)習(xí)語言，可以查看這個(gè)文章。

你也可以查看查看 Stanford 的 CS231n 中的第 12 講，概要性的了解一些深度學(xué)習(xí)庫。

建議時(shí)間：1-3周

步驟3：選擇你自己的領(lǐng)域

這是最有趣的部分，深度學(xué)習(xí)已經(jīng)應(yīng)用在各個(gè)領(lǐng)域中，并且取得了最先進(jìn)的研究成果。如果你想更深入的了解，那么作為一個(gè)讀者，你最適合的路徑就是動(dòng)手實(shí)踐。這樣才能對你現(xiàn)在了解的內(nèi)容有一個(gè)更加深入的認(rèn)識(shí)。

注意：在以下的每個(gè)領(lǐng)域中，都會(huì)包括一個(gè)博客，一個(gè)實(shí)戰(zhàn)項(xiàng)目，一個(gè)需要的深度學(xué)習(xí)庫以及一個(gè)輔助課程。第一步你應(yīng)該學(xué)習(xí)一下博客，然后去安裝對應(yīng)的深度學(xué)習(xí)庫，然后再去做實(shí)戰(zhàn)項(xiàng)目。如果在這個(gè)過程中，你遇到什么問題，那么可以去學(xué)習(xí)輔助課程。

深度學(xué)習(xí)在機(jī)器視覺中的應(yīng)用

參考博客：DL for Computer Vision

實(shí)戰(zhàn)項(xiàng)目：Facial Keypoint Detection

深度學(xué)習(xí)庫：Nolearn

推薦課程：CS231n： Convolutional Neural Networks for Visual Recognition

深度學(xué)習(xí)在自然語言處理中的應(yīng)用

參考博客：Deep Learning， NLP， and Representations

實(shí)戰(zhàn)項(xiàng)目：Deep Learning for Chatbots， Part 1， Part2。

深度學(xué)習(xí)庫：Tensorflow

推薦課程：CS224d： Deep Learning for Natural Language Processing

深度學(xué)習(xí)在語音中的應(yīng)用

參考博客：Deep Speech： Lessons from Deep Learning

實(shí)戰(zhàn)項(xiàng)目：Music Generation using Magenta （Tensorflow）

深度學(xué)習(xí)庫：Magenta

推薦課程：Deep Learning （Spring 2016）， CILVR Lab@NYU

深度學(xué)習(xí)在強(qiáng)化學(xué)習(xí)中的應(yīng)用

參考博客和實(shí)戰(zhàn)項(xiàng)目：Deep Reinforcement Learning： Pong from Pixels

深度學(xué)習(xí)庫：沒有需要的深度學(xué)習(xí)庫，但是你需要 openAI gym 來測試你的模型。

推薦課程：CS294： Deep Reinforcement Learning

建議時(shí)間：1-2個(gè)月

步驟4：深挖深度學(xué)習(xí)

現(xiàn)在你應(yīng)該已經(jīng)已經(jīng)學(xué)會(huì)了基礎(chǔ)的深度學(xué)習(xí)算法！但是前面的路程會(huì)更加艱苦。現(xiàn)在，你可以盡可能高效的利用這一新獲得的技能。這里有一些技巧，你應(yīng)該做的，可以磨煉你的技能。

重復(fù)上述步驟，選擇不同的領(lǐng)域進(jìn)行嘗試。

深度學(xué)習(xí)在別的領(lǐng)域的應(yīng)用。比如：DL for trading，DL for optimizing energy efficiency。

利用你學(xué)到的心技能去做點(diǎn)別的事，比如參考這個(gè)網(wǎng)站。

參加一些比賽，比如：kaggle。

加入一些深度學(xué)習(xí)社區(qū)，比如：Google Group，DL Subreddit。

跟隨一些研究人員，比如：RE.WORK DL Summit。

建議時(shí)間：無限

一些比較好的資源：

Complete Deep Learning book

Stanford UFLDL Turorial

Deep Learning in Neural Networks： An Overview

Awesome Deep Learning github repository

Yann LeCun’s recommendations for Deep Learning self-study