本質來講，深度學習是最佳化問題、機率問題、資料處理問題。因此，可以按以下三個步奏進行理論和實踐的學習。第一步：基礎知識，線性代數、最佳化問題、機率統計、矩陣微分求導、深度學習經典神經單元、吳恩達/李飛飛組教程等等；第二步：經典模型學習，確定研究方向，各種模型訓練技巧學習，深度學習平臺工具熟悉與使用；第三步：實踐，深度學習現在來看更像一種微分工具，多實踐，多讀論文。

系統的學習深度學習可以有以下幾個路徑

1、mooc網課，搜尋深度學習選擇其中一個國家精品課程，跟著學就完了，期間拿程式碼不停的練手，最好找個實際專案入手，帶著問題去學，效率翻倍。

2、推薦邱錫鵬大神的教材《神經網路與深度學習》，我手裡有pdf版本，給個截圖大家看下。

程式設計基礎

C++一定要會

Python一定要熟練

數學功底

影象處理功底

邏輯思考能力

GitHub

網路影片

資料集

哪些開源資料集

哪些是好的資料

如何使用資料

深度學習是一門實踐性比較強的課，需要有理論支撐

我從側面來回答這個問題驗證是否系統地學習

為什麼同樣的任務，別人設計的模型比你的小反而快？

這個模型內部引數到底是什麼意思

模型收斂擬合，預期問題，自己能否加以判斷

什麼樣的任務用什麼樣的模型？

深度學習目前主要有幾個大的方向，包括：計算機視覺、自然語言處理等。網際網路上有大量的免費學習影片，包括斯坦福等名校的公開課等。下面將介紹一些質量非常高的國外名校公開課。

CS231n近幾年一直是計算機視覺領域和深度學習領域最為經典的課程之一。由斯坦福大學李飛飛主講。

課程連結如下：https://www.bilibili.com/video/av13260183/#page=1

Stanford大學在2015年開設了一門使用深度學習進行自然語言處理的課程，廣受好評。影片課程連結：https://cs224d.stanford.edu/

上述課程都是深度學習最經典的公開課，需要一定的英語能力。

想要系統學習深度學習，最好從機器學習開始，網上有個斯坦福機器學習的影片，是大牛吳恩達授的課，既有數學理論，也有實踐演示，是非常不錯的一門入門課程，接著就是網易雲課堂上，一個吳恩達的深度學習課程，淺顯易懂，學習後，深度學習的基本原理就懂了。然後就是深入啃書本，如花書，周克華一些深度學習方面的書。再深入就是看深度學習框架的原始碼，如caffe，tensorflow等。一個輪迴過來，最終還會回到線性代數和機率論上來。數學基礎很重要。