炼丹，炼丹！（如何入门深度学习）

evanshe

作为现代人工智能技术重要的支柱，深度学习可以说是绕不开的课题，本帖将以尽量平和的方式分享一些适合于入门新手的深度学习书籍或者教程。

首先对入门深度学习所需要的基本技术做一下粗分类，大致分为三项：
1、数学基础。
2、深度学习理论。
3、项目（代码与论文）

evanshe

1、数学基础，这个帽子很大，但实际上理解深度学习和搞深度学习研究的数学基础是完全不同的，对于入门者，掌握基础的线代、概率论是非常有必要的，这里的基础指的是看得懂论文里的符号并且在人工智能辅助讲解之下能够快速理解，事实上对于上过高数、线代、概率论课的同学来说数学问题不应该成为你的阻力；
值得注意的是，对于绝大多数学习者来说，数学基础不应该成为单独学习的科目，更加合适的做法应该是在学习理论中遇到不明白的问题再针对性学习，不然很容易陷入挣扎。
这里只给出一本一站式数学解决方案，剑桥大学出版的Mathematcis for Machine Learning(MML)建议作为工具书而不是正向学习使用。可以针对不理解的部分进行查证式学习。

xming

前排资瓷一下

lanyu

前排催更

Season

催更

evanshe

2、深度学习基础知识
事实上楼主的深度学习入门并不针对具体研究统计学习、理论机器学习的感兴趣者，因此在进入深度学习基础知识之前，楼主必须强调一点，在进入漫长且很可能没有反馈的学习之前，入门者最好有一个模糊的目标：你究竟想要干什么？
这句话意味着对于绝大多数人，深度学习只是一个工具而不是具体的研究对象，而对这一部分人来说学习深度学习的方式绝不应该也不能够是按照书本或者历史沿革的方式逐项学习。相反的，楼主认为，学习深度学习最好的方式是：获得一个概述级别的大观，然后先进入一个子领域，比如计算机视觉，比如自然语言处理，比如更下游的大模型、搜广推，在一个具体的项目中反推需要学习的路线，事实上，在获得概览后就可以知道，这种做法是极其正确的。
在这一纲领的支持下，我们的基础知识部分其实就简单很多了，其实甚至只分为两部分，大观的获取，和进入项目之后反推路线的方式。
1）大观
这里只推荐一本书，斋藤康毅的《深度学习入门》，又叫“鱼书”。





注意只推荐的含义，笔者相当不建议入门者通过一本本厚书打基础，这是非常不好的，常见的《动手学深度学习》《深度学习》《Understanding Deep Learning》等书籍虽然内容详实，但是在没有项目背景的情况下盲目学习，一是不容易坚持，一是容易学了忘忘了学，达不到效果。
用一到两周看完这本书，就能对深度学习有一个大面上的了解，也就达到目的。
如果实在不踏实，可以选择吴恩达或者李宏毅的机器学习课程，但是笔者仍然建议这种课程的学习要与项目子领域的逆向学习同步。
2）工具书、反推方式
反推方式也分为两部分。1如何获取路线，2获取路线之后用什么学。
有关获取路线，AI是一个好方式。
而对于获取路线之后如何学，这里推荐一书一课。同时更强调不要怎么做。
一书：邱锡鹏老师的《神经网络与深度学习》，原因只有一个，全，且中文。注意到之前的内容，不难发现这里并没有强调行文或者细节讲解，因为不管书写的有多细致，我都强烈建议配合AI进行学习，入门者在入门后就会很快理解我在说什么。
一课：李宏毅的《机器学习》，这里推荐他是因为有配套的Pytorch作业，与中国大部分学校的教学方式不同，实验和作业是重要的学习方式，对于深度学习，这一部分甚于理论。
这里还要强调不要做什么：笔者干过很蠢的一件事，用《动手学深度学习》从第一章开始往后学，一章一章，不要这样做！！！。尽管后面笔者意识到这一做法不妥之处，也把目标定为自然语言处理相关的章节，但是还是因为课业问题无法完成。
对于有志于入门的人来说，这种学习方式相当笨重，很可能既记不住理论，也达不到实操效果，这不怪你！因此笔者提出，要先建立大观，再倒推学习！

Auoxses

很好的知识www

UWU_wu

mark