1樓：嗯哼
先看書吧，小白入門的時候都有點心累。我隨便講講我作為小白的時候的一些經歷。
我最開始看的是機器學習，吳恩達的課程，然後看了三分之一。開始也是雲裡霧裡的，根本搞不懂這位大佬再說些啥。後來自己動手跑了個kaggle，用sklearn做的，才大概有點感覺了。
之後看的是沐神寫的《動手學深度學習》（？？？應該叫這個名字），我花了比較長時間看基本概念。沐神用的框架是他自己開發的mxnet。
然後我又看了一本印度人寫的小冊子，講怎麼用pytorch做開發，後來才慢慢上道的。
再後面，我覺得我就思維比較工程而非理論了。我基本上是有啥問題解決啥問題，暴力調參，沒怎麼搞理論（但是過段時間還是要補充理論的），現在又開始折騰遷移學習了，人生還真是生命不息造作不止……
總之，我覺得學習就是乙個不斷開悟的過程，你悟了，你就懂了。不斷去悟，你也可以做懂王（大霧）
2樓：Jalon
Labels＝f(X),
一言以蔽之，深度學習本質上就是找到一種從資料集X到標籤Labels的對映f。
而f在深度學習中是運用多層神經網路去擬合。網路神經元間的連線有權重，每個神經元上還要加乙個偏置值。找到一組最佳的權重和偏置值組合，即你們口中的引數，就等於找到了這個最佳的對映f。完。
3樓：小劉
這門課就是這個特點啊，自己看花書就知道了。內容東一塊西一塊，都是漲點trick。想理論地學習？別逗了。
說白了，你把反向傳播和BP神經網路看一下就知道什麼回事了。
如果你想學一些相關數學知識，還是往模式識別專業課靠攏好。
回答者都是賣課的，提問者太慘了。
4樓：yuyinghua
先跑起來，先跑乙個簡單的示例，樹立信心，然後從改做起，通過不斷的改動，摸清乙個模型的細節，對照書本，印象會更加的深刻。不要因為看到整體複雜，就失去了試一手的信心。
5樓：babyquant
需要程式設計的就看《Dive Into Deep Learning》，可以看網頁版，有詳細的程式。
理論看三巨頭寫的花書《Deep Learning》，不需要程式設計，數學友好，不友好的是那些動不動乙個測度，隨手乙個泛函的，相比之下，花書屬於白話文。
如果工作用到建議看Dive Into，如果面試需要建議看花書，寫知乎需要就兩本都看看前言和目錄。
6樓：WenF Tao
如高贊所答，用keras是最直觀的模型搭建工具了，而且在tensorflow2.0已經明確把keras作為上層介面。另外，如果想更加簡單，可以試試fast.
ai庫，裡面有一些定義並作了預訓練的模型可以直接用，幫助樓主大大節約模型訓練的時間。
7樓：余靜
首先數學得好，能進行邏輯規則推理。搞明白為什麼，然後自己寫按照理解把演算法寫出來。
再去理解看網上的封裝，優化。
再對演算法進行應用實踐
8樓：原野與草叢
看來你是喜歡先本質後應用的學習者
grokking deep learning
徒手從零用python寫神經網路以及lstm等
9樓：zero
和你說的一樣，未經過系統學習，自然會或多或少缺失一部分。而你這種情況下想要快速學習雖然有方法，但是很難。可能之前聽到過比如深度學習很簡單之類的資訊，比如能快速上手之類的資訊。
如果只是單純畢業設計，直接按需學習。作為tfboy。tensorflow的文件一言難盡。
建議你還是轉投pytorch上手快遞學習曲線緩。開源模型多。
python學習深度學習怎麼入門
蘋果呆呆呆 你好，學習Python程式語言，是大家走入程式設計世界的最理想選擇。Python比其它程式語言更適合人工智慧這個領域，在人工智慧上使用Python比其它程式設計有更大優勢。無論是學習任何一門語言，基礎知識，就是基礎功非常的重要，找乙個有豐富程式設計經驗的老師或者師兄帶著你會少走很多彎路，...
深度學習為什麼go deeper go better？
這個要是從運算的觀點考慮，其實蠻好理解的。先說乙個前提，神經網路可以看做對一系列未知運算的擬合。每個層網路能擬合的運算複雜度是有限的。從動態規劃的角度來看，無論什麼問題，都可以看做一步一步的基本運算，那麼越複雜的問題往往複雜度越高。還是用簡單一點的話來說，割圓術 有乙個圓，想求得周長，假設咱們不知道...
深度學習為什麼會出現validation accuracy大於train accuracy的現象？
例如 Attention is all you need. 標美藝術設計 機器學習是近20多年興起的一門多領域交叉學科，涉及概率論 統計學 逼近論 凸分析 演算法複雜度理論等多門學科。機器學習理 我再補充乙個可能的原因。其他回答裡已經詳細解釋這個現象的主要原因 其他在訓練過程中用到而未在Valida...