“深度学习”如何入门？学习路径篇，附论文资料！

现在，深度学习入门相较于几年前，已经门槛非常低了，既有大量的中文资料，又有现成的训练平台（tensorflow和pytorch），但是我们仍然需要一些技巧。

首先，第一步，也是必须的一步，就是补习一下微积分的知识。

可能有同学一听到微积分就头痛，不过没关系，深度学习用的微积分知识不多，主要是导数，梯度，链式法则。基本上也就是书上一两章的内容，这些弄懂基本足够了。

如果想深入一些，可以再补一补函数极值，牛顿法，矩阵分解，这些知识点大都是传统机器学习的必需品，深度学习已经没有那么讲究了。

接下来，需要选择你的打怪路线，我们主要分两类人，第一类是学理科出身的，比如数学物理；第二类是学计算机出身的。

第一类人，优势是公式推导和理论，所以我们需要从理论入手，深度学习的重点理论有：神经网络的前向传播，神经网络的反向传播，梯度下降法，随机梯度下降法，批梯度下降法，动量梯度下降法，adam梯度下降法，神经网络的梯度消失与爆炸问题，神经网络的正则化，dropout，batchnorm，softmax公式，交叉熵损失等等。

还有一个重点，就是最新的理论（面试重点），必须要熟悉一个，比如说几年前，你得把adam梯度下降法弄熟了，这两年是batchnorm，transformer，未来几年可能是模型的剪枝和压缩或者图神经网络，那么这些知识点从哪获得呢？