我主要從結合論文閱讀入門深度學習來介紹內容。

有兩個事先說在前面，第一，想要閱讀關於什麼內容的論文，直接谷歌一下，你就能找到原始論文，第二，推薦收藏arXiv.org這個網站，深度學習論文一般都會第一時間發表在這個網站上。

目前推薦先熟悉數學相關的基礎知識，比如函數里最基本的求導與積分，然後就是偏導數，梯度下降等。然後對於線性代數與機率統計也要熟悉熟悉。

有了一定的數學基礎之後，可以嘗試從尋找關於人工神經網路入門的資料學習，連線神經網路怎麼進行誤差反向傳播的。

然後可以找來深度學習三巨頭髮表的Deep Learning這篇論文，好好研讀。這裡就涉及到了一個問題，你同時得英語也得好，因為目前主流的深度學習的論文，全是英文的。

再然後，你可以找來hinton的autoencoder的論文，然後使用程式碼自己實踐實踐，對深度學習基本概念有個大概瞭解。

到這裡，深度學習基本上算是摸到了一點點門道了。深度學習目前主流的有三個方向，計算機視覺，自然語言處理，語音處理。我主要學習的方向是計算機視覺，其他兩個方向不是太瞭解，我就以計算機視覺方向來講解下怎麼看論文與學習吧。

卷積神經網路簡稱cnn，從最開始在計算機視覺方向使深度學習火爆的AlexNet，經過VggNet，GoogleNet，InceptionNet，以及ResNet，每一篇都是非常經典的文章。同時卷積神經網路在模型縮小化的一些論文，也值得閱讀，比如Xception與MobileNet，以及最新的NasNet。

瞭解完神經網路結構發展史後，就需要選個方向去研究他們的研究發展過程了，目前計算機視覺比較熱門的方向主要有人臉識別，目標檢測，影象分類，影象分割，關鍵點檢測，文字識別OCR等。

以目標檢測為例，主要經歷了R-CNN，Fast R-CNN，Faster R-CNN，YOLO，SSD等的發展，對應的每個網路也有一定的論文介紹，也建議仔細研讀。

研讀論文網站

這裡推薦兩個研讀查閱論文網站：

https://arxiv.org

，最新的論文都會在此網站釋出，你可以跟蹤你的方向的論文，包括機器學習、深度學習、計算機視覺等方向。如：機器學習最新論文檢索主頁：

https://arxiv.org/list/stat.ML/recent?ref=bestofml.com

。

http://www.arxiv-

sanity.com/?ref=bestofml.com

，Andrej Karpathy 開發了 Arxiv Sanity Preserver，幫助分類、搜尋和過濾特徵。

https://paperswithcode.com/sota

，將 ArXiv 上的最新深度學習論文與 GitHub 上的開原始碼聯絡起來，1016 個深度學習任務分成了 16 大類，涉及了深度學習的各個方面。

論文閱讀路線

這裡先說一下論文閱讀原則：

從提綱到細節從舊到最先進的從一般到具體的區域專注於最先進的

論文閱讀模組：

深度學習歷史和基礎

深度學習方法

應用

這裡放一個具體的閱讀資料：有詳細的閱讀內容，可以參考閱讀學習，

https://github.com/floodsung/Deep-Learning-Papers-Reading-Roadmap

論文閱讀方法

論文閱讀也需要掌握一定的方法，才能更好的利用資源，達到事半功倍的效果，大致說一下：

略讀

題目摘要根據題目和摘要確定是否是自己需要的論文，是否需要精讀。精讀題目摘要方法（理論學習、公式推導）結論緒論