針對那些願意學的人。

Python化的深度學習，入門門檻不高，僅需要簡單調參就可以完成。尤其是學生無論學文學理，深度學習在某些方面都能助你一臂之力。

但是往深層次的深度學習，需要比較強的演算法能力和數學邏輯思維，往往需要專業背景知識比較深的人

因為有興趣，寫過一段時間的AI程式碼。當時用python，基於keras和tensorflow。

如果只是單純的用用，有一點計算機程式設計基礎。在網上有比較多例子，複製下來簡單改改就可以執行投入使用了。

複雜的地方在於調參，使運算結果更符合實際應用場景要求，這個對於沒深入學習過這門課程的人來說比較困難。因為程式碼涉及比較多的引數，最佳化哪些部分更有效果，這些需要靠經驗或者專門學過。

會用和用得好還是區別很大的。

本人認為深度學習入門並不難，但是要想深入淺出那就得具備一定專業先驗知識了。下面我就說說深度學習都需要掌握哪些知識吧。

1. 程式設計能力。所有與人工智慧相關的方向，不具有一定的演算法編寫能力，那基本是不會有發展的。即使你數學精通，思維敏捷，但是不將其實踐起來，那都是紙上談兵。相對軟體開發工程師，演算法工程師的程式碼量不要求多，而是求精。程式碼的最佳化分為程式設計邏輯和呼叫演算法兩種，如果在你的程式碼中能夠明顯看出邏輯清晰，具有一定面向物件的格式那就更好了。當然像積分影象這種利用來源庫計算也同樣能提高運算效率。GPU上進行重複計算也是一種最佳化，隨著硬體的完善，越來越多的應用都將移植到GPU上。

2. 數學基礎。只會程式設計還遠遠不夠，給你一套演算法你都看不懂，那還怎麼最佳化呢。無論你看論文還是實驗都需要看懂並能最佳化這些數學公式。例如，最簡單的啟用函式sigmoid的原型以及它與其它啟用函式的比較，適合哪些場景，這些不懂數學怎麼能行呢。

3. 英語能力。人工智慧領域的核心論文(例如ICCV等)都是英文文獻，你英語閱讀不好，就會影響你的理解與效率。所以，基本的計算機和相關領域英語常識是必備的。

總之，要想入門深度學習並不難，但是我們不能只侷限於觸手可得的事情，更應該抱著一顆勇攀高峰的心，努力前行。

我是覺得現在學人工智慧很像是20年前學英語一樣，都是一個認識世界的方式，是每個人瞭解世界必不可少的一類知識群。

我們身邊每天網際網路，生活中的應用都無處不在的應用人工智慧的產品，你手機的指紋解鎖，面部識別等。甚至包括這個問題的推送，都應用到了這個領域的成果。你可以不瞭解背後的數學，但是你不知道這是什麼，就意味著你落伍了。

學這門學科有很多方式，取決於你的目的：如果你是想用他當飯碗，老老實實從零開始看教科書，從基本的線性代數到一些數學模型，再到最後去翻看這個領域最新的Paper等。但如果你只是想粗略瞭解一下這個領域，以至於能知道生活中什麼地方可以用到這方面知識，或者如何把這方面知識帶入到你自己的領域中，你也可以完全不關注數學的部分，只要明白每個演算法是幹什麼的，有什麼優缺點就好了。