今天我談一些經過個人實踐的一些可以落地視角和方法。

深度學習是在設計知識的聯絡，這種聯絡就形成結構。用設計的方法來讀書

所謂設計其實是指一個過程，在這個過程中採取一定的思維及思維方法，而深度學習就是要使用一系列的思維及思維方法來設計學到的知識，把學到的知識跟已有的知識聯絡起來，而這種聯絡就會打破原有知識的結構，重新塑造出一個新的知識結構。

在這個設計過程要使用的一些思維及思維方法

系統思維

減法思維

還原法思維

假設性思維

創新的思維【水平思維】

通常我們讀書就是學習到書中的知識

抱著這個視角會有很大的問題，因為一個人的學習，不僅是學習書中的知識，而且要重構知識，每個人都有現有的知識存量，要把新學到的知識透過設計嵌入到已有的知識系統。

一個根本的方法

設計一個簡單的形式來表述知識，形式就是指結構的外形可、視覺化、形象化，並同時形成一種樣式與秩序。而這個設計就要用到一些思維的方法【系統思維、減法思維、還原法思維、等等】。知識要經過自己的設計轉一手，嵌入到已有的知識體系。

深度學習

深度學習，就是在你讀書的過程中，不僅是獲取知識，而且還要生成知識，而這個生成的知識，就是透過設計。

知識要變成能用的思維

讀書獲取的知識，跟大腦裡能用的思維還有很遠的距離，因為大腦用的思維要簡單，而知識卻是複雜的，知識要設計成簡單的形式就能變成大腦裡可用的思維。很多時候，讀了很多書發現也沒啥用，就是知識跟思維之間的斷層造成的，這個斷層，正是需要設計的地方。透過設計打通知識與思維的通道。知識要做到簡，反過來大腦透過這個【簡】就可以駕馭知識。

結論：

深度學習其實是一個對知識重新設計的過程。非設計不足以把知識變成大腦裡的思維。非設計不足以把新學來的知識嵌入已有的知識體系。深度學習乾的是就是一個設計的活，每個人都要或多或少懂一些設計思維，這樣有助於自己更高效、更有深度的去學習。

深度學習可以說是這一代人工智慧的核心，驅動著現在最先進的計算機視覺系統，比如影象分類、物體檢測識別等等。推薦演算法、語音識別、自然語言處理、決策制定這些事情也有越來越多的深度學習。

在我看來，深度學習的學習研究分為三個階段：基礎知識 => 解決實際問題 => 發明創造。

階段零：準備工作

要想學習深度學習，我認為首先得至少熟悉一門程式語言，最好是 Python。不然無法上手實驗，容易變成紙上談兵。

硬體方面，建議有一臺計算力較強的電腦，顯示卡使用 NVIDIA GTX1070 以上。深度學習對記憶體（視訊記憶體）和計算量的要求很大，低於這個配置會導致很多經典模型無法執行（比如吃視訊記憶體的 VGG Net）。

此外，如果想要對深度學習的理論有詳細的理解，需要一定的數學基礎。高中數學加上微積分的基本知識（求導、鏈式法則）完全可以幫助你起飛。更好的數學基礎可以讓你在理解複雜模型、複雜的最佳化演算法上游刃有餘，但理解基礎理論不需要太高深的數學。

最後，一個良好的心態可以幫助你更快地學習。深度學習並不困難，它的核心簡單優美，相信自己可以掌握它。

階段一：基礎知識

沒有什麼比看一本簡明扼要的薄書更容易入門。深度學習的資料非常多，但這也成為了深度學習坑最大的地方，學習者很容易迷失在各種資料當中，最後只看了個皮毛。

第一個階段花費的時間因人而異，每個人基礎不同，從兩個星期到幾個月都有可能。

階段二：運用深度學習解決實際問題

在學習基礎知識之後，就可以著手解決具體的問題，有以下幾件事情可以做

找一個好用的主流框架（推薦 Pytorch），把教程和示例程式碼跑一遍。然後使用這套框架去解決你感興趣的問題，比如在你自己的資料集上訓練物體識別。閱讀經典的論文並重復實驗。自己去復現經典論文的演算法非常有助於理解。將演算法融入一個應用當中，比如可以用人臉檢測識別演算法做一個老闆來了的報警器，嘿嘿。或者將深度學習演算法融合到手機當中。

這個階段你可能會遇到大量的問題，這個時候你需要發揮搜尋引擎的作用，不斷地搜尋，不斷地閱讀，最終解決問題。我常去各個官方文件、技術論壇、Stack Overflow 和部落格上閱讀資料。經歷了這個過程，你所學的理論知識將得到檢驗，你將成為一名熟練的深度學習工程師。

階段三：發明創造

最後一個階段就是突破前人的領域。在熟悉深度學習之後，你會發現前人的理論有大量解決不了的問題，前人的工具可能並不是100%稱手。所以你需要創造出自己的新知識、新工具，分為兩個方面：

理論創新，解決前人解決不了的問題，或者更好地解決問題，提出新的認識世界的方法。要在理論上有所突破，一個常規的方法是找一個專門的問題開始鑽研，不斷地試驗自己的想法，前人沒有的想法。同時閱讀這個領域最新的文章，嘗試實現。比如你可以挑物體檢測這個問題，既然你對於理論和實踐都已經比較熟練了，你完全可以開始修改別人的網路架構，改變訓練的模式，嘗試把先驗資訊加進來。總之，有很多的玩法都可以實驗。說不定玩著玩著就能寫一篇文章出來發表。工程創造，實現自己的深度學習框架。曾經看過一個觀點，輪子不需要被重新發明，但需要重新創造。理論上的東西，發現一次就夠了，但是工程實現在一次次的迭代中完善進步。對於深度學習，可以嘗試實現一個自己的深度學習框架。目前深度學習離不開 c/c++ 和 cuda，所以你可以從頭寫一個 c/c++ 版本的，把坑自己踩一遍，這樣工程能力肯定大為提高。或者，你也可以利用現有框架的後端實現一個前端，這樣你對於這些框架後端的理解也能夠大為提高。且你的所有的想法都可以寫進這個前端裡面。比如 pytorch 就是用 torch 的後端實現了一個 python 的前端，而且相比於原版的 torch 有了很多改進。

一句話結論

深度學習就是自動估計倆個事物之間的關係。

人人都能看得懂的解釋

舉個例子，比如iPhone X的人臉識別技術，如何知道這張臉是張三，那張臉是李四的呢？這裡例子裡有倆個事物：臉的圖片，人的名字。

【以前】我們都是用祖傳的影象處理方法。簡單說，我們認為面板黑一點，臉大一點的是張三。這樣的話，如果有一萬張臉，我們就要手動定義一萬個標準，工作量大且不可行。

【現在】深度學習的做法是，把圖片和人名都告訴機器，讓機器在數字層面找到倆者的關係。真實場景下的結果驚人，機器找到的這個關係比人找到的“臉大+黑”好得多（準確率高）。所以深度學習同時做到了，既省事（不需要人參與），結果又好（準確率超過人）。

數學版簡易解釋

深度學習就是自動估計函式。任何相關事物之間的關係都可以表達成一種函式。真實場景下，這種函式往往復雜到無法寫出公式，不會像y=ax+b這樣簡單，於是就用的神經網路來表達這種函式。

作為一個AI司機，回答這個問題簡直義不容辭。

話不多說，直接看Google的兩個教學影片，從CNN到RNN/LSTM都有介紹，深入淺出