探索深度学习【序章】 Machine Learning Engineer Career Path--Neural Networks with TensorFlow_machine learning engineer learning path-CSDN博客

在 github 上发现了一套关于机器学习的学习路径，主要包含 Scikit-learn 和基于TensorFlow的深度学习两部分学习内容。博主最近正在尝试学习深度学习，所以想按照深度学习的路径走一遍并将各路径节点翻译出来，一方面给自己坚持下去的动力，另一方面可以提供给其他人作参考。

再次，以下部分为翻译，原文见 https://github.com/clone95/Virgilio/tree/master/LearningPaths/Machine%20Learning%20Engineer%20Career%20Path

在这一部分，我们将从零基础向神经网络全面理解进发，感谢斯坦福大学深度学习课程和一些我在网上搜索到的教程。学习的材料部分来自于谷歌，部分来自于斯坦福和剑桥大学。通过学习这些内容，你可以做到将神经网络（ANN, CNN, RNN）应用于一些机器学习任务中。这些是TensorFlow应用案例。

学习神经网络的理论和应用并不是一件容易的事情。你可能需要重复地学习这些教程才能真正地理解。

在学习完我们提供的 TensorFlow 教程，循环地进行以下三个步骤：

1. 通过学习斯坦福的课程获得对深度学习的整体印象，不要太纠结与数学表达式，重点关注 what and why。

2. 通过理论+教程+例子（比如：RNN 理论 + RNN 教程 + RNN 应用实战）就一种类型的神经网络持续探索一 
   段时间，你所需要的资源都会在后续文章中列出来。

3. 在对每种类型的神经网络都使用步骤2中的过程迭代学习了一遍后，再学习一遍斯坦福的课程。这次你就可以 
   真正地理解所有的共识，并将它们关联起来，捕捉到贯穿在整套课程中的“数学流”

迭代过程（1-2-2-2-2.....-3）可以根据你个人的情况重复很多次，在每次迭代过程中你可以略过一个或几个话题，并专注于一个或多个你更感兴趣的或者你还不太清楚的话题上。

在本文的每个部分中，我都会放一些你初次接触时学习的内容，同时也会放一些在之后的重复学习过程中，你需要进一步学习的内容（在你经过了步骤3之后）。

斯坦福的课程视频以及ppt可以在这里找到。中文版的在这里。MIT的课程也可以作为替代，两门课内容是差不多的。两门课程可以都学习一下，然后做个对比，对于学习的东西会有更多的理解。

这是我在每部分中提到的书。

为什么选择 TensorFlow?

TensorFlow 由 Google Brain 创建，是一个用于数学计算和大规模机器学习的开源库。TensorFlow 集合了一系列的机器学习和深度学习（神经网络）模型和算法。它使用 Python 作为前端 API 语言以在框架中构建应用程序，使用C++语言高性能地执行这些应用。TensorFlow 是大多数行业规模公司实现机器学习算法的标准，它是为大规模数据而构建的，具有很多非常酷的特性，可以在多个GPU或硬件设施上并行训练模型。

安装并使用 TensorFlow

如果你已经安装了Python环境，那么要安装TensorFlow只需要在Python安装路径下打开 Ternimal 并运行如下命令：

python pip install tensorflow

第一个推荐给你阅读的是这个，第二件要做的事情是从 Google Education 网站上直接读 Introduction to TensorFlow，再次，一些理论概念可能不太清楚，但是只要集中于理解 TensorFlow 库及其处理流程是如何构建的即可。这是后者的一份很好的简要说明。另外一个来自于谷歌的初学者指南。这个是关于 TensorFlow 2.0 更新的。这些 1 和 2 很好地解释了掌握 TensorFlow 过程中最难的部分。强烈推荐。

现在你对 TensorFlow 这一工具应该已经熟悉的差不多了，是时候知道如何使用它来构建大规模神经网络了。

编者按：Keras 提供了 TensorFlow 更上层的接口，如果读者不想了解TensorFlow 的细节，只需要模块化，那么Keras 是初学者不错的选择。Keras 中文参考教程。