到底掌握哪些技能才能成为一名优秀的深度学习研发工程师呢？

**首先是算法能力。**在大多数企业里，深度学习研发工程师需要负责从算法设计到算法实现，再到算法上线这一个全流程的工作，所以算法能力是所有深度学习研发工程师都需要掌握的。

**其次是编程能力。**熟练掌握python/c++编程，至少熟悉tensorflow或者pytorch一种深度学习工具,能够进行深度学习各类模型架构使用和设计。

**再次是其他人工智能技术。**未来人工智能产业发展越来越快，深度学习将会扮演非常重要的角色，很多时候需要深度学习与其他人工智能方法相结合才能完成。我们将会看见越来越多的混合系统，其中深度学习可用于处理一些棘手的感性任务，而其他的人工智能和机器学习技术可用于解决问题的其他部分。未来深度学习、人工智能有革命性的理论突破，更有可能来自交叉领域。

深度学习本质上是深层的Python人工神经网络，它不是一项孤立的技术，而是数学、统计机器学习、计算机科学和人工神经网络等多个领域的综合。

想做好深度学习开发，在编程方面除了掌握python自身语法外，还应该着重掌握下面这些库：

pandas：超级excel，表格式操作数据，数据清洗和预处理的强大工具。

numpy：数值计算库，快的不要不要的。

matplotlib：模仿MATLAB的数据可视化工具。

scikit-learn：封装超级好的机器学习库，一些简便的算法用起来不要太顺手。

ipython notebook：数据科学家和算法工程师的笔记本。

深度学习看似难度大，掌握了正确的学习方法，入门还是很轻松的。

对于零基础小白，在这里精选了 5 本深度学习相关的书籍，帮助小白更好的入门。

1.《深度学习》（Deep Learning）

出自 Goodfellow、Bengio 和 Courville 三位大牛之手的《深度学习》（Deep Learning）不可不提。本书旨在成为一本教科书，用于在大学课堂上教授关于深度学习的基本原理和理论。Goodfellow 等人的《深度学习》完全是理论性的书籍，而且没有代码，是深度学习人员必看书籍。

2.《深度学习图解》

探索深度学习教会你从头开始建立深度学习神经网络。经验丰富的深度学习专家 Andrew W. Trask 将向你展示了深度学习背后的科学，所以你可以自己摸索并训练神经网络的每一个细节。只使用 Python 及其数学支持库 Numpy，就可以训练自己的神经网络，将文本翻译成不同的语言，甚至像莎士比亚一样写作。

3.《Python 深度学习》

本书介绍了使用 Python 语言和强大的 Keras 库进行深入学习。这本书由 Keras 的创建者、谷歌人工智能研究员 Francois Chollet 撰写，通过直观的解释和实际的例子来巩固你的理解。你将在计算机视觉、自然语言处理和生成模型中探索具有挑战性的概念和实践。当你完成的时候，你将拥有知识和实际操作技能来将深度学习应用到你自己的项目中。

4.《神经网络和深度学习》

这本书的目的是帮助你掌握神经网络的核心概念，包括现代技术的深入学习。在看完这本书之后，你将写下使用神经网络和深度学习来解决复杂模式识别问题的代码。你将有一个基础使用神经网络和深度学习来攻击你自己设计的问题。

5.《机器学习-原理，算法与应用》

在这本书中对有监督学习，聚类，降维，半监督学习，强化学习的主要算法进行了细致、深入浅出的推导和证明。对于所需的数学知识，单独用一章做了简洁地介绍，可以帮助小白更快入门。

现在，有一个很好的机会可以近距离接触到深度学习，0花费，而且还可以中科院的专家进行线上交流，点击这里了解深度学习