下载掌阅APP，畅读海量书库
立即打开
很早之前，听雷军说过一句话：“站在风口上，猪都可以飞起来！”这句话用来形容现在的深度学习非常贴切。近几年来，深度学习的发展极其迅速，其影响力已经遍地开花，在医疗、自动驾驶、机器视觉、自然语言处理等各个方面大显身手。在深度学习这个世界级的大风口上，谁能抢先进入深度学习领域，学会运用深度学习技术，谁就能真正地在AI时代“飞”起来。
对于每一个想要开始学习深度学习方法的大学生、程序员或者其他转行的人来说，最头疼也是最迫切的需求就是深度学习该如何入门呢？下面笔者谈一谈自己的看法。
没错，就是放弃海量资料！在我们想要入门深度学习的时候，往往会搜集很多资料，什么某某学院深度学习内部资源、深度学习从入门到进阶百GB资源、某某人工智能教程，等等。很多时候我们拿着十几GB、几百GB的学习资源，将其踏踏实实地存储在某云盘里，等着日后慢慢学习。殊不知，有90%的人仅仅只是搜集资料、保存资料而已，放在云盘里一年半载都忘了去学习。躺在云盘的资料很多时候只是大多数人“以后好好学习”的自我安慰和自我安全感而已。而且，面对海量的学习资料，很容易陷入一种迷茫的状态，最直接的感觉就是：天啊，有这么多东西要学！天啊，还有这么多东西没学！简单来说，就是选择越多，越容易让人陷入无从选择的困境。
所以，第一步就是要放弃海量资料！转而选择一份真正适合自己的资料，好好研读下去、消化它！最终会发现，这样做收获很大。
深度学习的初学者，总会在学习路径上遇到困惑。先是那一系列框架，就让我们不知道该从哪儿着手。一堆书籍，也让我们犹豫该如何选择。即便去咨询专业人士，他们也总会轻飘飘地告诉我们一句“先学好数学”。怎样算是学好？深度学习是一门融合概率论、线性代数、凸优化、计算机、神经科学等多方面的复杂技术。学好深度学习需要的理论知识很多，有些人可能基础不是特别扎实，就想着从最底层的知识开始学起，概率论、线性代数、凸优化公式推导，等等。但是这样做的坏处是比较耗时间，而且容易造成“懈怠学习”，打击了学习的积极性，直到自己彻底放弃学习。真要是按照他们的要求，按部就班去学，没有个几年时间，我们连数学和编程基础都学不完。可到那时候，许多“低垂的果实”还在吗？
因为啃书本和推导公式相对来说比较枯燥，远不如直接搭建一个简单的神经网络更能激发自己学习的积极性。当然，不是说不需要钻研基础知识，只是说，在入门的时候，最好先从顶层框架上开始，有个系统的认识，然后再从实践到理论，有的放矢地查漏补缺机器学习的知识点。从宏观到微观，从整体到细节，更有利于深度学习快速入门！而且从学习的积极性来说，也起到了“正反馈”的作用。
谈完了深度学习入门的两个“放弃”之后，我们来看下一步，深度学习究竟该如何快速入门？
俗话说“工欲善其事，必先利其器!”学习深度学习，掌握一门合适的编程语言非常重要！最佳的选择就是Python。为什么人工智能、深度学习会选择Python呢？一方面是因为Python作为一门解释型语言，入门简单、容易上手。另一方面是因为Python的开发效率高，Python有很多库很方便用于人工智能算法，比如NumPy做数值计算，Sklearn做机器学习，Matplotlib将数据可视化，等等。总的来说，Python既容易上手，又是功能强大的编程语言。可以毫不夸张地说，Python可以支持从航空航天器系统的开发到小游戏开发的几乎所有领域。
这里笔者要为Python疯狂打call，因为Python作为万能的胶水语言，能做的事情实在太多了，并且它还异常容易上手。笔者大概花了50个小时学习了Python的基础语法，然后就开始动手编写代码去爬小说、爬网易云音乐的评论等程序。
总之，Python是整个学习过程中并不耗费精力的环节，但是刚开始背记语法确实是很无聊、很无趣的，需要坚持一下。
对于业界的人工智能项目，一般的原则都是“不重复造轮子”：不会去从零开始编写一套机器学习的算法，往往是选择采用一些已有的算法库和算法框架。以前，我们可能会选用已有的各种算法来解决不同的机器学习问题。现在随着深度学习的流行，一套神经网络框架TensorFlow、Keras等就可以解决几乎所有的机器学习问题，进一步降低了机器学习任务的开发难度。如果说Python是我们手中的利器，那么一个好的深度学习框架就无疑给了我们更多的资源和工具，方便我们实现庞大、高级、优秀的深度学习项目。
奥卡姆剃刀定律（Occam's Razor，Ockham's Razor），又称为“奥康的剃刀”，它是由14世纪英格兰的逻辑学家、圣方济各会修士奥卡姆的威廉（William of Occam，约1285年至1349年）提出。这个原理称为“如无必要，勿增实体”，即“简单有效原理”。正如他在《箴言书注》2卷15题所说“切勿浪费较多东西去做事情，用较少的东西同样可以做好的事情。”
深度学习底层的结构实际很复杂。然而，作为应用者，我们只需要几行代码就能实现神经网络，加上数据读取和模型训练，也不过寥寥十来行左右的代码。感谢科技的进步，深度学习的用户接口，越来越像搭积木。只要我们投入适当的学习成本，就总能很快学会的。
TensorFlow是可以把一个模型代码量大大减少的框架，Keras就是让模型代码量可以少到令人震惊的一种框架，当用Keras写完第一个模型后，笔者的心情真的是无比激动。
本章介绍猫和狗分类的例子，如果这个分类器模型代码在Keras框架下实现，则只要寥寥几行代码就能把一个拥有着卷积层（Convolutional Layer，简称Conv Layer）、池化层（Pooling Layer，简称Pool Layer）和全连接层（Fully Connected Layer，简称FC Layer）并且使用Adam这个较高级优化方法的深度学习网络给编写出来。后续章节会让我们感受到在Keras框架下实现深度学习算法模型有多简单。
现在很多教程和课程往往忽视了实战的重要性，将大量的精力放在了理论介绍上。我们都知道纸上谈兵的典故，重理论、轻实战的做法是非常不可取的。就像上一小节说的第2个“放弃”一样，在具备基本的理论知识之后，最好就直接实践，编写代码解决实际问题。从学习的效率上讲，这样做的速度是最快的。
作为毫无AI技术背景、只会Python编程语言、从零开始入门深度学习的同学们，不要犹豫，上车吧。深度学习入门可以很简单！