深度学习入门00：在学习之前（教程）

版权申明：原创文章，未经博主同意，不得转载！

深度学习入门00：在学习之前

大家好！欢迎和我一起来到深度学习领域的大门。本篇文章主要是介绍一下我们关于深度学习入门的一些计划。

我们使用的教程是深度学习入门经典：《深度学习入门：基于Python的理论与实现》。之所以选择这本书主要考虑到这本书非常适合大多数想学习了解深度学习知识的同学。

该书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，该书尽量不依赖外部库或工具，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。

本书最大的特点是“剖解”了深度学习的底层技术。正如美国物理学家理查德·费曼（Richard Phillips Feynman）所说：“What I cannot create, I do not understand.”只有创造一个东西，才算真正弄懂了一个问题。本书就是教你如何创建深度学习模型的一本书。并且，本书不使用任何现有的深度学习框架，尽可能仅使用最基本的数学知识和Python库，从零讲解深度学习核心问题的数学原理，从零创建一个经典的深度学习网络 。

-摘自译者序

我们后续发布的主要内容就是学习理解实现这本书所讲的知识点。该书主要包含8个章节：

• 第一章 Python入门

  因为Python语言的流行和大家的喜爱，Python作为本书编程使用的语言，本书将使用Python实现深度学习系统，需要简单地介绍一下Python的基本知识。

• 第二章 感知机

  因为感知机也是作为神经网络（深度学习）的起源的算法。因此，学习感知机的构造也就是学习通向神经网络和深度学习的一种重要思想。

• 第三章 神经网络

  关于感知机，既有好消息，也有坏消息。 神经网络的出现就是为了解决感知机中出现的坏消息，也就是改进感知机的缺点。 这一章介绍神经网络的概要，然后重点关注神经网络进行识别时的处理。

• 第四章 神经网络的学习

  在第三章的基础上，本章介绍损失函数、利用函数斜率的梯度法等相关内容，讲解如何从训练数据中自动获取最优权重参数。

• 第五章 误差反向传播法

  使用计算图的方法让我们直观的理解一种高效计算权重参数的梯度方法——误差反向传播法。

• 第六章 与学习相关的技巧

  介绍神经网络的学习中的一些重要观点，包括寻找最优权重参数的最优化方法、权重参数的初始值、超参数的设定方法、权值衰减、 Dropout等正则化方法。

• 第七章 卷积神经网络

  针对图像识别、语音识别等各种场合，介绍卷积神经网络CNN的结构，并使用Python实现其处理内容。

• 第八章 深度学习

  介绍深度学习的性质、课题和可能性，并对当前的深度学习进行概括性的说明。

由于公众号在前期已经发布了Python基础知识学习的相关文章，想了解的同学可以查看学习。

从入门到精通01——Python及其开发环境的安装（Pycharm）
从入门到精通02——初识Python
从入门到精通03——整型、字符串数据类型
从入门到精通04——运算符以及表达式
从入门到精通05——if语句
从入门到精通06——循环语句
从入门到精通07——列表的基本操作
从入门到精通08——列表的高级操作
从入门到精通09——元组

因此，我们就直接跳过第一章Python基础知识部分，直接从Python外部库NumPy和Matplotlib的学习开始。

以上就是我们后续学习的主要内容和框架，我们会在后续发布的文章中分享我们学习的具体内容和心得，想要一起学习的同学赶快加入我们吧！