深度学习成为主流是近十年的事，且涉及的知识很多，即使是资深工程师也很难在短时间内学会。学习过程中也有很多弯路，从复习大学数学开始，学习算法原理，工具和框架，看论文，参考别人写的代码，参加大数据比赛。能坚持把以上步骤认真做完已经很难得，但似乎仍然很难建立对深度学习的“直觉”，很难把这些知识融合到自己的架构和代码里，实际应用中看着都眼熟，细看全是盲点，修改结构的时候一改就错，最终成长为“调包侠”。
识字+读书≠会写作文，在原理、语法和代码之间似乎有一道沟；从论文、比赛、技术博客之中学到的又往往是琐碎的点，很难连成知识面。
推荐吴恩达老师的《Deep Learning》线上课程，网易云课堂上有免费课程视频（带中文字幕），课程比较系统，讲解了从线性层的实现到深度学习技巧，再到视觉和自然语言处理等实际的应用。
这门课最大的亮点是：没有太复杂的数学，用直觉代替推导，大家都能听懂；作业难度适中，上课讲原理，下课通过编程实现各种原理，不再是只会调库。作业主要是选择题和程序填空，题量不算小，也不算容易。
比如第一个编程习题：自己写神经网络用于判断图片中是否包含猫，其中涉及优化、前向后向传播，数据处理。但代码不多，以程序填空的方式提供，并且可以找到参考答案。即使实在做不出来，完全抄一遍答案也有收获。慢慢地，可以从中打磨出一些经验，比如根据问题的难度估计神经网络的规模、数据量、以及训练时间、超参数等等。
除了建立知识体系，也适合查缺补漏，在实践过程中遇到的问题，很多都能在这里得到启发；明白别人的程序为什么会这么写。与算法开发者的想法相互印证。另外，还有很多经验性知识，比如超参数有N个，最重要的是xxx，其次是xxx，一般使用默认值是xxx；yyy原理很重要，但一般实现时常常用不到等等。不像有些书上为了完整性列出所有选项，却没有重点。另外，吴恩达老师声音很好听，有点像纪录片的配音效果，引用弹幕“引起极度舒适”。
课程共包括五个专题，每个专题2-4课，每课视频时间约1-2小时（有些片断需反复琢磨），作业时间约3个小时（视个人程度而定，主要基于TensorFlow1.0版本）。每周1课，约17周完成。完全Full time学习，也需要至少半个月时间。
下面列出课程目录
- 神经网络和深度学习
深度学习概论
神经网络基础
浅层神经网络
深层神经网络 - 改善深层神经网络：超参数调试、正则化以及优化
深度学习的实用层面
优化算法
超参数调试、Batch正则化和程序框架 - 结构化机器学习项目
机器学习策略1
机器学习策略2 - 卷积神经网络
卷积神经网络
深度卷积网络：实例探究
目标检测
特殊应用：人脸识别和神经风格转换 - 序列模型
循环序列模型
自然语言处理与词嵌入
序列模型和注意力机制
分享一些课程相关链接
- coursera在线课程
https://www.coursera.org/specializations/deep-learning - 网易云课堂
https://mooc.study.163.com/smartSpec/detail/1001319001.htm
https://mooc.study.163.com/course/2001281003#/info - B站视频地址
https://www.bilibili.com/video/av87840460/ - 中英文对照的作业及答案分析（含习题数据下载）
https://blog.csdn.net/u013733326/article/details/79827273?tdsourcetag=s_pcqq_aiomsg - 其它作业资源
https://github.com/Kulbear/deep-learning-coursera
https://github.com/greebear/deeplearning.ai-notes
https://github.com/Wasim37/deeplearning-assignment
网友评论