研一在读，代码完全不会，怎么入门深度学习?

网络安全自学

已于 2024-01-14 17:50:50 修改

阅读量1k

点赞数 2

分类专栏： python 文章标签：深度学习 python 人工智能 Python教程开发语言

于 2023-02-08 16:30:00 首次发布

本文链接：https://blog.csdn.net/xiqng17111342931/article/details/128914963

版权

python 专栏收录该内容

393 篇文章 9 订阅

订阅专栏

前言

总结一下问题：编程基础薄弱，需要学习PyTorch以完成目标检测相关的任务。已尝试看视频、复现经典工作来学习，但收效甚微。

我将先讲一下学习深度学习的思路，再逐条给出学习的建议。

深度学习的知识范围

虽然深度学习和计算机专业看上去很相关，但实际上这完全是两个领域。二者的交集只有[向量化计算]、自动求导等少数技术。

深度学习本身的知识，小半部分是从论文、教程中学习到的数学原理、[网络架构]等理论知识，大半部分是靠亲手实践踩坑获取的实践经验。

在这里插入图片描述

因此，

不用太担心深度学习的编程难度。由于现在编程框架已经十分成熟了，哪怕是之前完全没有编程基础的人，也可以快速上手深度学习编程。
深度学习本身的知识更多要靠读论文、学理论、花大量时间做实验才能学会。

不过，即使如此，学习编程对于深度学习来说还是很有必要的。对于初学者来说，运行自己编写的程序，才是近距离感受深度学习的最佳方式。等编程技术成熟了，才可以完全抛开编程，把精力专注于看最新的论文上。

入门深度学习

在代码基础薄弱的前提下，想入门深度学习，最好不要去一上来就学高度封装的[编程框架]，看最新的论文，复现较新的代码。基础没打好就去学一些较难的东西，就像搭建空中楼阁一般，学习效率极低。我建议按照如下步骤从浅至深地学习：

如果几乎之前没有编程经验，最好先通过学习Python，学会编程的基本思想，掌握变量、函数、运算、类等基本知识。如果有其他编程语言的学习经验，随便看看Python的语法即可。
能掌握Python的基本用法后，去选择一部带编程指导的教材（文字或视频）。学完了理论知识后，一定要去动手实践。写代码时，不管是用NumPy，还是用TensorFlow、PyTorch，一定不要去用高度封装的函数，而只用最基本的矩阵乘法、向量化计算。反向传播、梯度下降、归一化、mini-batch、优化器、CNN、RNN……这些知识只要动手写一遍，一下就学会了。
等基础知识掌握得差不多，最基本的编程水平也有了后，再开始学习深度学习编程框架。有了之前从零实现的经验，学编程框架的难度就像学完了C++去学Python一样简单。学编程框架时，一方面从官方教程的Hello World项目入手，学习框架高度封装的函数的基本用法；另一方面，去看一些经典工作（比如几乎全任务通用的ResNet）用编程框架实现的源码，从实践与示例中学习。
学到这里，你差不多就已经有了十分扎实的深度学习功底，可以去看较新的论文了。怎么看论文学最新的知识就是另一个话题了。一个指导原则是：先看综述，同时参考一些代码质量较高的开源工作（很多[开源代码]的质量一塌糊涂，绝对不能成为初学者的学习对象）。

学习资源

上一节只讨论了入门深度学习的步骤，这里我再给出每步的一些学习资源。

Python

如果有编程基础的话，去搜索引擎上随手一搜“Python 教程”，就可以找到许多合适的资料。比如说：

文末我给大家提供了学习资料

如果编程经验不是难么丰富的话，除了参考上述简洁的资料之外，可以看讲解得更细致的视频、文字教程。从零学Python算是另一个话题了，可以去专门搜索一下这方面的学习路线。

深度学习基础

对于初学者，选深度学习的教材时，最重要的其中的编程教学。优质的入门教材很多，比较出名的有：

吴恩达的《深度学习专项》（Deep Learning Specialization)。网上有免费的视频教程，如果想写课后作业拿证书需要在Coursera上付费。这门课会先使用NumPy[复现神经网络]的基础构件，之后用TensorFlow学习更复杂一点的CNN、RNN的知识。
[李沐]在B站上的免费视频教程《动手学深度学习》。这门课也是基于PyTorch框架，先只用底层函数实现基础功能，再用框架的高级功能去学习更复杂的知识。

文字教程也有很多，我所知道的只有

[前言 - 《动手学深度学习》文档]

这份《动手学深度学习》的文档版。这份文字教程已经讲解得足够细致了。

对于大多数的教程，无论制作得多么优秀，都无法提供足够的编程指导。这是因为编程更多要靠实践来学习，而难以通过课堂上的讲解来学习。如果非想通过上课来学习编程，最好的方式找一个助教，自己写代码碰到了问题，立刻去问助教。

我写的笔记就是起到一个“助教”的作用。尤其是在代码实战的笔记中，我基于Python和NumPy的基础函数，从某种意义上复现了《深度学习专项》中课后习题（比如实现全连接网络、正则化、Adam[优化器]）的题目和解答，并对所有代码都进行了细致的讲解。哪怕是零基础的人，也能够看懂我写的代码和讲解。我相信，我写的这份笔记能够帮助大家在学习深度学习时少走一些弯路，尽快地通过复现[底层构件]来高效入门深度学习。

另外，如果只想快速上手深度学习，就不要浪费时间去看传统机器学习的参考书了。

编程框架与现成代码

对于PyTorch来说，其实最有用的就是官方的“Hello World”项目：

[PyTorch Tutorials 1.11.0+cu102 documentation]

，看完了就基本知道PyTorch的主要用法了。

同样，官方网站上也收录了很多具体任务的代码实现教程。一边看着教程里的代码，一边参考API文档，学起来还是很快的。

另一方面，除了学习框架的基本知识外，还可以直接去看一些现成的PyTorch项目，通过示例来学习。

这里，我十分推荐基于PyTorch的[OpenMMLab项目]，该开源项目复现了分类、检测、分割、生成等多个CV任务的前沿模型。这些PyTorch开源代码不见得是写得最好、最合理的，但起码是写得十分工整，读起来没什么问题的，可以作为初学者的学习对象。

以问题中的目标检测为例，可以去参考[MMDetection]。参考一下官方文档，把项目安装好，学习一下代码库的基本用法，就可以去读源码了。读源码时，最简单的方法是使用文字搜索，找到对应模块的实现代码，比如去MMDetection里搜索"FasterRCNN"。同时，跑新接触的[开源库]时，可以先随便运行一个Demo项目，使用单步调试功能，看看代码的运行逻辑是怎么样的，各个模块之间是怎么调用的。

读开源代码时，千万不要因开源项目的复杂度而产生恐惧。代码都是人写的，都是一点一点从一些很基础的功能开始写起来的。看这些源代码时，一方面要从学习的角度，看看你不会写的地方，别人是怎么写的；另一方面，要自信地带着批判性的眼光，看看别人写的东西让你来写，你会怎么写得更好。带着这样的态度，不要畏惧，一点一点看，学习开源代码的效率其实是十分高的。