謝謝邀請。深度學習和自然語言處理都和人工智慧有關，至於學哪個比較好，要從以下幾方面看，首先是自己的興趣，若對其中一個特別感興趣，自然學自己感興趣的。若沒有特別大的興趣差別，我認為深度學習是人工智慧更基礎一些的知識，應用範圍更廣。而自然語言處理是人工智慧的一個應用。選擇學習深度學習，將來就業選擇更廣，因其可以應用於各行各業的人工智慧。而專門開發自然語言處理的公司相對要少很多，就業工作時很可能要轉其它軟體或人工智慧領城。所以我傾向於碩士期間選擇深度學習。

感覺作者應該問的問題是應該攻讀影象處理好還是自然語言處理好（目前深度學習的兩大分支）。當然深度學習也不完全包含這兩個，比如自然語言處理（NLP）在之前都是用統計學方法處理的，這兩年才流行起來用了深度學習。我的研究方向和NLP相關，就重點說說NLP吧。

首先目前深度學習領域有兩個最主流的模型CNN和RNN。CNN就是卷積神經網路，通常用在影象處理上，RNN是迴圈神經網路，自然語言領域用的比較多。作者說攻讀深度學習，通常也需要找個小的點來攻讀。比方NLP，也是個非常大的概念，在NLP這個大概念下，又有很小的一些方向，比方說問答系統（類似於聊天機器人），文件主題抽取，語音識別，機器翻譯等等。還可以應用到其他領域，比如我的方向是利用NLP做安全領域的一些事情，如bug定位，summarize code，漏洞檢測等（程式碼本身也是一種語言）。

接下來說說入門的難度吧，無論自然語言處理也好，影象處理也好，本質上都是把圖片或者語句轉換成向量，然後對向量做一些處理。既然是轉換成向量，就得提到特徵提取。個人覺得自然語言處理的提取難度是大於圖片的，畢竟語言這種東西還是比較抽象的東西。提取的方法比如說按照詞頻，高階點的有基於語義的word2vec，但是這種特徵再怎麼表示，也沒有圖片的畫素點，或者圖片二值化以後的特徵來的直觀明瞭。

但是NLP無疑是很容易入門的，為什麼這麼說呢，因為nlp現在有太多太多容易又好用的工具了。比方說word2vec，可以用的工具太多太多，我最常用的就是gensim，基本上所有自然語言處理的演算法都有api。如果想要解析語法樹，可以用stanford corenlp。其他的很多就是簡單的字串處理。入門可以說很容易，你理解完概念之後就可以上手了。記得我剛入坑的時候，第一個任務是實現14年一篇軟工領域頂會的論文，完全是當做字串處理，看懂論文就直接上手寫程式碼了，都沒用api（當然因為程式碼基礎還可以，哈哈，吹個牛）。

但是想深入的話，無論是影象處理還是NLP都是非常難的，但是我覺得，NLP更難。影象處理其實是個比較直觀的東西，比如人臉識別，各種識別，很少涉及邏輯理解，但是NLP不一樣，很多領域的任務都是基於理解，而且結果也很難評判，比方機器翻譯，你生成一句句子，雖說有BLEU這種指標，但是具體好壞，我覺得還是需要人閱讀後來衡量的。

比方說上圖，是最近研究的一個透過自然語言自動生成程式碼的一個基於Python ast的RNN（ACL 2017的論文的圖），就是根據一句描述，生成程式碼，沒錯，我研究的就是那些傳說中能取代程式猿的東西（瞎扯淡），生成的東西，根本沒有一個評判標準，不像影象，有一個確定的標籤，這是個非常主觀的東西。

另外透過這張圖再說一點，上面這張圖看起來很牛逼，什麼attention Bi-directional LSTM RNN（注意力機制雙向長短時記憶迴圈神經網路），什麼基於Python AST（抽象語法樹）的生成和應用規則，本質上都是一個RNN，做了一些不同的變種而已