十步直通深度学习

随着深度学习的不断火热，任何一个开发者都想上深度学习这趟快车。但是？到底怎么样才能快速上手了？以下是我自己的方式学习。我绝不会声称这是最好的方式，但是直到现在看来这条道路是我认为最佳的方式。

在这篇文章中，我将向你介绍10个步骤去转型深度学习，希望可以帮助到你。

OK，出发！

1-相信你可以做到：

很多人担心机器学习（ML）和深度学习（DL）对他们来说太复杂了，这些技术是不是太高深了？我可以确切到底告诉你我做到了，你也可以。一定要相信自己，自信才能让你有信心的一直走下去。

你的第一个目标应该是了解深度学习是什么，它可以或不可以做什么以及如何在我们自己的应用程序中使用它。大量的数据集？算法？模型？你应该首先确定这些乐高积木是什么，听起来好像是堆积木，对没有听错，它和其他开发的流程是一样的。你可以把它们结合起来，开始构建一个很酷的深度学习模型。

提示＃1：DL不是黑魔法，它是代码，和其他技术没什么差别。

2-忽略数学：

前向传播、后向传播、损失函数、梯度下降这是神马？？第一次接触深度学习就被行话的压倒在地。是的，不得不承认的是数学是ML的基础。但，这不应该是你的出发点。在编写一行代码之前，谁会花费几个小时或者更长的的时间去研究这行代码中的数学知识？这通常是你如何在DL库中启动训练过程：

 

model.train(data, labels, loss_function, optimizer)

 

你可以花几个星期来了解基础数学，仅仅是了解，作为一个开发者，千万不要深究这里面是什么。使用黑匣子的方法是以最小的焦虑开始。随着时间的推移，你可以更好地了解每个模块的工作原理，并且可以进一步深入，但不是现在。

提示＃2：把你不明白的东西当作黑盒子，专注于界面。

3-Python：

DL是代码，那么，你应该掌握什么语言？如果你必须选择一个，那就是Python，因为它不仅是数据科学，也是ML和DL的主要语言，它是一个非常有用的语言，正如Python AWS SDK aka boto3所示。如果你还没有使用它，或者你正在学习它，那么确保你对列表，元组，字典等有一个很好的理解，这些数据结构在DL代码中无处不在。对于核心语言，我强烈建议你也学习这些Python工具的基础知识：

1.（）：绘图库。

2.（）：科学计算，对于数组和特别有用矩阵操纵。

3.（）：数据分析库。

4.（）：图像处理库。

5.（）：构建Python笔记本的Web应用程序。

提示＃3：学习Python ，享受终生的红利。

4-奔跑之前：

在你跑步学习之前，我建议你了解AI，ML和DL的关系（防止学术错误）。DL是ML的一个子集，所以在跳入DL之前，你应该知道一些关于ML的知识。你应该花时间学习“传统”ML的数据集、主要问题（回归，分类，聚类等），每个问题的流行算法等等，神经网络只是其中的一种技术。对ML的更广泛的理解将帮助你看到何时使用DL，学习Python是一件好事，因为现在你可以通过scikit-learn（）来学习ML。这个库很容易使用，并且支持大量的ML算法。如果你想要挑战一下自己，你也可以看看PySpark（Spark的Python API）和Spark MLlib（Spark的机器学习库）。如果你需要处理大型数据集，Spark的强大的数据管理功能是一个不错的选择。在你的学习阶段，它们是过度的，但是当你开始构建生产应用程序时，记得使用它们。

提示＃4：首先，深度学习是机器学习，按照正确的顺序学习它们。

5-选择一个库:

在选择库是记住一点，你选择哪一个DL库并不重要。只要它有一个Python API并且足够友好来隐藏低级库，这样就行了。这里有一些选择：

（）。

2.Apache MXNet和它的Gluon API（https://mxnet.incubator.apache.org/）。

（）。

（）（偏向于实验，但很有希望）。

注意：Theano（）是非常低级的，Tensorflow也是低级别的，很难学习，并且会产生挫折感，我不会推荐这些给初学者。查看文档，运行一些教程，做出自己的想法。其中总会有一个库会让你感觉更舒适。

提示＃5：选择库时一定要忽略炒作，这将有助于你学的更舒服。

6-代码，代码！

7-坚持，坚持！

 

8-不要担心，数学很好玩！

9-专注学习！

10-继续学习！

另附云栖社区进阶宝典：

本文由北邮@爱可可-爱生活老师推荐，阿里云云栖社区组织翻译。

文章原标题《10+steps+on+the+road+to+Deep+Learning》，

作者：Julien Simon

译者：虎说八道，审阅：

 

文章为简译，更为详细的内容，请查看

阅读原文