要想入門深度學習，需要兩個工具，即演算法知識和大量的資料，外加一台計算機，如果有gpu就更好了，但是因為許多入門初學者的條件有限，沒有gpu也可以。
深度學習的入門過程如下圖所示7個步驟：
因為極端及能做的只是計算，所以人工智慧更多地來說還是數學問題。我們的目標是訓練處乙個模型，用這個模型去進行一系列的**。於是，我們將訓練過程設計的過程抽象成數學函式：首先，需要定義乙個網路結構，相當於定義一種線性非線性函式；接著，設定乙個優化目標，也就是定義各種損失函式（loss function）。
而訓練的過程，就是求解最優解及次優解的過程。在這個過程中，我們需要掌握基本的概率論、高等書序、線性代數等知識，如果學過最好，沒學過也沒有關係，僅僅知道原理和過程即可，有興趣可以涉獵一些推導證明。
這些基本演算法包括支援向量機。邏輯回歸、決策樹、樸素貝葉斯分類器、隨機森林、聚類法、協同過濾、關聯性分析、人工神經網路和bp演算法、pca、過擬合與正則化等。
推薦閱讀李航老師的《統計學習方法》。機器學習方面也可以閱讀周志華的《機器學習》。
python語言是一種解釋型、物件導向、動態資料型別的高階程式語言。python是很多新入門程式設計師的入門程式語言，也是很多老程式設計師後來必須掌握的程式語言。我們需要重點掌握使用線性代數庫和矩陣的操作，尤其是numpy、pandas第三方庫，也要多試試機器學習的庫，如sklearn，做一些svm及邏輯回歸的練習。這對直接上手寫tensorflow程式大有裨益。
順著這篇**閱讀，可以大致了解這個網路的實現原理，對迅速上手應用有很大的作用。
接著，就要選擇乙個開源的深度學習框架。
從目前來看，投身tensorflow是乙個非常好的選擇，掌握tensorflow在找工作時是乙個非常大的加分項。
接下來就是找乙個深度神經網路，目前的研究方向主要集中在視覺和語音兩個領域。初學者最好從計算機視覺入手，因為它不像語音等領域需要那麼多的領域知識，結果也比較直觀。例如，用各種網路模型來訓練手寫數字（mnist）及影象分類（cifar）的資料集。
在訓練中，準確率、壞案例（bad case）、識別速度等都是可能遇到的瓶頸。訓練好的模型也不是一成不變的，需要不斷優化，也需要結合具體行業領域和業務進行創新，這時候就要結合最新的科研成果，調整模型，更改模型引數，一步步更好地貼近業務需求。
深度學習入門
generative adversarial network gan 生成對抗網路 梯度消失 梯度擴散 gradient diffusion deep learning i.e.unsupervised feature learning 目的是讓機器自動學習良好的特徵，而免去人工選取過程 深度學習是...
深度學習入門
元胞自動機實質上是定義在乙個具有離散 有限狀態的元胞組成的元胞空間上，並按照一定的區域性規則，在離散的時間維度上演化的動力學系統。元胞又可稱為單元 細胞，是元胞自動機的最基本的組成部分。乙個標準的細胞自動機由元胞 元胞狀態 鄰域和狀態更新規則構成。用數學表示為 a l,d,s,n,f 其中l為元胞空...
深度學習入門
1 人工智慧 1956年，幾位科學家相聚在達特茅斯會議提出了人工智慧的概念。當時計算機剛剛出現不久，他們希望通過用計算機來構造複雜的，擁有與人類智慧型具有同樣本質的機器。然後幾十年，人工智慧一直在兩極分化，有些人認為這個是改變人們未來生活的乙個大的方向 但是有的人認為人工智慧是一種噱頭，或者是一種泡...