什麼是深度學習？
總的來說，深度學習包括建立和訓練乙個大型的人工神經網路，該神經網路在輸入和輸出之間具有許多隱藏層。正是因為這些隱藏層，我們才稱呼這些神經網路為"深度"。至少具有三層隱藏層才能叫深度神經網路，但現有的一些神經網路已具有上百層。
神經網路是乙個複雜的統計模型，它通過計算機來對資訊進行乙個非常準確的抽象表示。你可能會問，什麼樣的資訊？就像deepgram的深度神經網路是專門訓練來「理解」並在語音資料上進行操作，但深度神經網路已經應用於大量的其他方面，從醫學掃瞄檢測癌症到**能源**和氣象建模。
今天學習深度學習為什麼如此容易，即便是新手？主要有兩個原因：首先，計算硬體設施的快速發展和便宜足以讓深度學習技術能在幾乎任何乙個像樣的顯示卡上執行。(通過我們的測試，發現對於乙個正在使用的演算法，基於gpu伺服器的速度是cpu核的400倍) 其次，大量的深度學習資源開放平台，如tensorflow、theano和caffe，使實現自己的深度神經網路相當容易,尤其是自己不必從頭開始構建乙個神經網路。
當然，還有很多深度學習相關的知識需要去學習，但這就是本篇指南的目的！
深度學習前的必備知識
1：掌握微積分、概率論和線性代數。這些知識將幫助你去理解深度學習的理論和規則。
正如你所看到的這個
深度學習庫列表
，大部分流行的深度學習庫是用python和r語言編寫的，所以，了解python和r語言會對你很有幫助。r語言在實際應用中用到的不多，所以不寫r語言的學習**。
python參考學習**：
python官網學習文件：
python其它文件**：
下面附上幾個python論壇**：
去哪學習深度學習
如果你是在全新的領域，且在尋找一些深度學習知識概念後的高層次解釋，而不是迷失在數學和程式設計方面的話，這有一些資料來幫助你對這些專業概念和術語的了解。
如果你想深入，熟悉一些數學，有著簡單的**示例，還可以討論深度學習的應用，可查閱斯坦福畢業生andrej karpathy的博文「the unreasonableeffectiveness of recurrent neural networks」。
geoffrey hinton的課程"neural networks formachine learning" 也很好，這是乙個做為該領域的教父級別課程。
書籍
周志華的《機器學習》，這本書內容通俗易懂，可與andrew ng的機器學習學習課程一起檢視。
其他學習資源和**
深度學習在哪實踐
一旦你具備了相關的基礎知識,你將準備好進行一些實際資料和練習。這有些**，你能夠找到一些簡單的資料集和實現時遇到的
一些問題：
在哪尋找也對深度學習感興趣的人
不管你是乙個業餘者還是在深度學習研究最前沿的博士生，在社群之間進行交流總是好的。這裡提供了一些地方來尋找都對深度學習感興趣的同道中人：
閱讀原文
機器學習學習指南
統計學習三要素 模型 策略 演算法 模型分為概率模型 由條件概率表示的模型 和非概率模型 決策函式 策略包括1 損失函式和風險函式 2 經驗風險最小化與結構風險最小化 演算法 根據相應的策略求解最優解，即求解最優化問題。生成模型與判別模型 分類 回歸 標註問題 演算法原理 優點 精度高 對異常值不敏...
機器學習學習指南
統計學習三要素 模型 策略 演算法 模型分為概率模型 由條件概率表示的模型 和非概率模型 決策函式 策略包括1 損失函式和風險函式 2 經驗風險最小化與結構風險最小化 演算法 根據相應的策略求解最優解，即求解最優化問題。生成模型與判別模型 分類 回歸 標註問題 演算法原理 優點 精度高 對異常值不敏...
Linux 學習指南
第乙個話題,嵌入式學習的路徑有哪些.這是乙個初學者常問的問題,也是初學者問嵌入式該如何入門的根源.我感覺有兩個方面,偏硬和偏軟.我不認為嵌入式開發軟體佔絕對比重,相反,軟硬體都懂,才是嵌入式高手所應該追求的,也是高手的必由之路.硬體道路 第一步 pcb設計,一般為開發板的電路裁減和擴充,由開發板原理...