深度学习该怎么学？

Posted 2023-05-04

中公的深度学习怎么学？

1、深度学习，首先要学会给自己定定目标（大、小、长、短），这样学习会有一个方向；然后要学会梳理自身学习情况，以课本为基础，结合自己做的笔记、试卷、掌握的薄弱环节、存在的问题等，合理的分配时间，有针对性、具体的去一点一点的去攻克、落实。
2、可以学习掌握速读记忆的能力，提高学习复习效率。速读记忆是一种高效的学习、复习方法，其训练原理就在于激活“脑、眼”潜能，培养形成眼脑直映式的阅读、学习方式。速读记忆的练习见《精英特全脑速读记忆训练》，用软件练习，每天一个多小时，一个月的时间，可以把阅读速度提高5、6倍，记忆力、注意力、思维、理解力等也会得到相应的提高，最终提高学习、复习效率，取得好成绩。如果你的阅读、学习效率低的话，可以好好的去练习一下。
3、要学会整合知识点。把需要学习的信息、掌握的知识分类，做成思维导图或知识点卡片，会让你的大脑、思维条理清醒，方便记忆、温习、掌握。同时，要学会把新知识和已学知识联系起来，不断糅合、完善你的知识体系。这样能够促进理解，加深记忆。
4、做题的时候要学会反思、归类、整理出对应的解题思路。遇到错的题（粗心做错也好、不会做也罢），最好能把这些错题收集起来，每个科目都建立一个独立的错题集（错题集要归类），当我们进行考前复习的时候，它们是重点复习对象，保证不再同样的问题上再出错、再丢分。 参考技术A 深度学习的话，你要提高自己的注意力，集中精神才能深入学习。 参考技术B 也是学习些基础，后面就是中科院的实战项目，我看课表很多

深度学习难？学完它，拿高薪绝对不是问题

深度学习在短短几年之内便让世界大吃一惊。

它非常有力地推动了计算机视觉、自然语言处理、自动语音识别、强化学习和统计建模等多个领域的快速发展。

---

而与此同时学习深度学习的人也开始变得多了起来，但由于深度学习涉及面比较广，很多学者会对此望而却步。然而如果学好深度学习，不仅仅可以给你带来高薪资，也有可能会给你带来很多的荣誉！因为在此领域还是非常缺乏人才的！

最近经常有朋友问该怎么学习深度学习，让推荐合适他的书籍给他学习。

可是关于深度学习，网上的资料很多，不过貌似大部分都不太适合初学者。 

这里有几个原因：

• 深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲，有些读者就会有畏难的情绪，因而容易过早地放弃。

• 市面上的深度学习书籍普遍偏理论。理论内容的深度学习著作越来越多，读者期待有一本动手实践的书籍快速上手。

• 视频课程普遍英文版居多，书籍和视频搭配的深度学习著作很少。深度学习领域的精品书籍普遍英文版居多，国人的精品著作少之又少，作者功底扎实同时能用中文讲解深度学习动手实践讲清楚的少之又少。

那么学习深度学习，初级者该怎么入手呢？很多初学者都希望有一本既有书籍又有视频，当然还想要有一个比较好的学习氛围和大家一起学，那么小编今天就来给你推荐李沐大神的《动手学深度学习》，学习了李沐大神的书籍，这是大神新作，也是非常适合新手学习的入门书籍。

点击书籍封面查看详情

扫码查看详情

我为什么推荐这本书？

理由一  重“动手学”，真正意义的可实操，能运行

在《动手学深度学习》出版前，当时的情况是 Ian Goodfellow 的《深度学习》是当时最好的入门书，新而且全面。但它只做了一般的模型描述而没有如何实际使用它们以及效果怎么样。《动手学深度学习》是一本既能讲原理、又有实现和实际使用、不断更新、而且容易读的书。

在过去两年的摸索中，这本入门书在传统意义的书上往前走了几步：

• 书的每一章用文字、数学、图示和代码来多方面介绍一个知识点。它是一个 Jupyter 记事本，可以独立运行。包含20个左右的文字和代码块，可以15分钟左右读完。

• 源文件是 Markdown，不保存执行输出，并开源在 Github 上。这样方便更多人贡献和改动审阅，同时可以很容易的不断加新章节。

• 任何改动都会触发持续集成服务重新执行记事本来获得执行输出，这样保证代码的正确性。一个记事本的执行时间控制在不超过十分钟。这对展示复杂模型的训练颇为挑战。

• 执行无误后直接用三种格式发布在网上：含有执行输出的 Jupyter 记事本，可以直接浏览的HTML，和适合打印的 PDF。

• 可以像LaTeX那样方便的索引图、表、公式和文献。

• 每一章都有可以讨论的链接。

这本书代码的实现很多是基于 MXNet（一开始的目标是为 MXNet 写个好点文档），我们也考虑过要不要提供一个 Pytorch 或者 Keras 的版本。后来发现这个担心比较多余。框架就是一个工具，工具之间的那些不同带来的困难比起理解模型和调出结果来小很多。

课上发现就算是没有接触过这些工具的学生，用 MXNet 做作业，然后在基于不管用啥框架实现的现有算法再开发做项目并没有多大困难。或者说困难都不来自工具本身，特别是算法实现都在课上讲过一遍的情况下。

理由二：亚马逊首席科学家李沐等大师作品，历时三年沉淀。

本书四位作者均是亚马逊科学家，对人工智能领域颇具口碑，李沐老师被众多粉丝喜爱更多的来源于他的口碑公开课，纯中文的授课方式得到了大家的普遍认可。

       

阿斯顿·张（Aston Zhang） 

亚马逊应用科学家，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习的研究，并在数个顶级学术会议发表过论文。他担任过 NeurIPS、ICML、KDD、WWW、WSDM、SIGIR、AAAI 等学术会议的程序委员或审稿人以及 Frontiers in Big Data 期刊的编委。 

              

李沐（Mu Li） 

亚马逊首席科学家（Principal Scientist），加州大学伯克利分校客座助理教授，美国卡内基梅隆大学计算机系博士。他专注于分布式系统和机器学习算法的研究。他是深度学习框架 MXNet 的作者之一。他曾任机器学习创业公司 Marianas Labs 的 CTO 和百度深度学习研究院的主任研发架构师。他在理论、机器学习、应用和操作系统等多个领域的顶级学术会议（包括 FOCS、ICML、NeurIPS、AISTATS、CVPR、KDD 、WSDM、OSDI）上发表过论文。 

             

扎卡里·C. 立顿（Zachary C. Lipton） 

亚马逊应用科学家，美国卡内基梅隆大学助理教授，美国加州大学圣迭戈分校博士。他专注于机器学习算法及其社会影响的研究，特别是在时序数据与序列决策上的深度学习。

这类工作有着广泛的应用场景，包括医疗诊断、对话系统和产品推荐。他创立了博客 “Approximately Correct”（approximatelycorrect.com）。 

             

亚历山大·J. 斯莫拉（Alexander J. Smola） 

亚马逊副总裁/ 杰出科学家，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加州大学伯克利分校和卡内基梅隆大学任教。他发表了超过 200 篇学术论文，并著有 5 本书，其论文及书被引用超过 10 万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。 

理由三：图书+视频一起学

在学习过程中，大家有一个普遍的共识，看书理论是一回事，写代码是一回事，调代码又是另一回事，每件事之间都有一个 gap，爬都爬不过去，跌跌撞撞很痛苦。《动手学深度学习》搭配有免费的公开课视频，把写代码和调代码也当作一回事，跟理论一起讲一起演示。跟着大牛一起学，相信会让你事半功倍。

《动手学深度学习》录像有两个场景，一个是主体是幻灯片，讲师在角落。另一个主体是黑板。

过去几年里《动手学深度学习》作者为了让学员更好的学习深度学习，尝试了各种 DIY 手段来通过便宜的器材来录制准专业的视频。下图是这次使用的器材。

通过多种器材的摸索，终于呈现了现在的视频学习模式！

理由四：众多人工智能领域大咖鼎力推荐

本书得到了来自学术界和工业界的韩家炜、Bernhard Schölkopf、周志华、张潼、余凯、漆远、沈强等众多实力大咖鼎立推荐。