大一學生請問想建議學習深度學習的路徑和應該先具備哪些基礎知識？

老王2020-11-18 19:02:00

在大一，要把高等數學學好，這是深度學習的基礎。除此之外，可以著手學習一些人工神經網路的演算法，包括

1）全連線神經網路

全連線神經網路幾乎是現在所有神經網路的學習基礎。

全連線神經網路

2）卷積神經網路

卷積神經網路與全連線神經網路的主要區別在於卷積層。

卷積神經網路

3）殘差網路

相較於普通的卷積神經網路，殘差網路的層數可以更多，這歸功於跨層恆等通路的使用。

殘差網路

4）殘差收縮網路

殘差收縮網路（

https：//

ieeexplore。ieee。org/doc

ument/8850096

）是殘差網路的改進，主要針對強噪資料。

（面向強噪、高冗餘資料的）殘差收縮網路

gwave2020-11-20 07:31:02

先學好微積分，線性代數和統計學。這些是宇宙真理永遠有價值，不會吃虧。

再學python，有了想法要能落地，知行合一。

然後學點機器學習和AI整體的知識，不一定要太快深入深度學習，深度學習這兩年發展的稍微有點過了，搞的人太多，改個啟用函式，損失函式啥的偽創新很多，類似力高積木，不同技術組合下，為了發論文而創新，難以復現和產生真正的價值，研究的人太多，CV等領域太已經很捲了。現實點講，畢業不好找工作，大廠今年CV的錄取比例接100：1，NLP50：1，還確定要搞深度學習嗎？

把數學和程式設計基礎打好，全面瞭解下AI，說不定會更想學別的了。選擇比努力重要！

本科建議多學點數學，物理，神經科學和心理學等，這決定了你未來的廣度。強化學習的靈感來自於多巴胺，CNN來自於貓的視覺，GAN來自於博弈論，深度學習鼻祖玻爾茲曼機來自於統計力學，符號主義源於希臘哲學邏輯學，大的創新靈感都來源於計算機科學以外。

總之，本科階段不必太強調實用性，因為不太可能做出什麼大的創新，特別在深度學習這種紅海研究領域。當然如果能參與解決一些實際問題也是不錯的。如果想走的遠，好好打好數學物理英語基礎，廣泛學習不同領域的知識，是本科階段的主要任務。如果喜歡扎堆，快速變現，就深度學習。深度學習本身的知識的確也挺有意思，不考慮就業前景的話，也可以考慮

kb242020-11-20 09:47:31

才大一，學好高數，線性代數，等高數課程，還有英語很重要，時間充裕，看點機器學習入門的演算法，有啥不懂得數學知識點，然後系統的學習！閱讀一些英文文獻！程式設計很重要，不僅僅是python，無論以後科研還是工作。少想點深度學習的事，等你畢業它可能不一定在了，呵呵……打好基礎，當然硬體支援的話，可以跑跑dl框架和模型，提升興趣

better2020-11-23 21:05:09

西瓜書

張見2020-11-27 00:21:44

拋磚引玉一下，

用到最多的還是線性代數（矩陣處理資料，矩陣特徵值分解）和機率與統計。離散數學學一下不會錯（好像是簡單的集合論+簡單的群論+簡單的邏輯）。

線性代數，推薦看MIT的Gilbert教授那個ocw影片課。機率與統計，YouTube上MIT也有一門影片課，是教授手寫慢慢推的那種，我跟著看完了，感覺講的很清楚。

後面根據你的發展方向會需要特定的數學知識，有的需要凸最佳化/數值分析，有的需要泛函分析，有的需要數學分析，你可以等大二了根據你的科研興趣來選擇，沒必要太早全學。數學會一直等你的。

如果你是計算機專業的話，大一可以先把資料結構與演算法學好（我大一的時候都不會compile c++， 就別說寫程式碼了。。），再學那三門數學，然後就可以用實踐倒逼學習了。上完學校開的深度學習導論課以後，你可以1。打kaggle的同時報個校外的人工智慧教學班，或者2。進學校的科研組。

大一啊！！“我荒廢的今日，正是昨日殞身之人所渴望的明天”。你還有四年可以專心學習，提升技術，加油加油