原文：https://www.analyticsvidhya.com/blog/2016/08/deep-learning-path/

介绍

深度学习目前已经成为了人工智能领域的突出话题。它在“计算机视觉”和游戏（AlphaGo）等领域的突出表现而闻名，甚至超越了人类的能力。近几年对深度学习的关注度也在不断上升，这里有一个调查结果可以参考。

这里有一个 Google 的搜索趋势图：

如果你对这个话题感兴趣，这里有一个很好的非技术性的介绍。如果你有兴趣了解最近的趋势，那么这里有一个很好的汇总。

在这篇文章中，我们的目标是为所有深度学习的人提供一条学习之路，同时也是为想要进一步学习的人提供一条探索的路径。如果你准备好了，那么让我们开始吧！

步骤0：先决条件

建议在学习深度学习之前，你应该先了解一些机器学习的基础知识。这篇文章列出了完整的学习机器学习的资源。

如果你想要一个简单的学习版本。那么可以看下面的列表：

建议时间：2-6个月

在进行下一步学习之前，你应该确保你有一个支持你学习的硬件环境。一般建议你至少拥有以下硬件：

如果你还不确定，那么请阅读这个硬件指南。

备注：如果你是一个硬件玩家，那么你可能已经拥有了所需的硬件。

如果你没有所需的规格，那么你可以租一个云平台来学习，比如 Amazon Web Service（AWS）。这是使用 AWS 进行深度学习的良好指南。

备注：在这个阶段不要安装任何深度学习的库，安装过程我们会在步骤 3 中介绍。

现在，你已经对这个领域有了一个初步的认识，那么你应该进一步深入了解深度学习。

根据自己的偏好，我们可以选择以下几个途径：

除了上述的先学知识，你还应该了解一些流行的深度学习库和运行他们的语言。以下是一个不太完整的列表（你可以通过查看 wiki 获得更加完整的列表）：

其他一些著名的库：Mocha，neon，H2O， MXNet，Keras，Lasagne，Nolearn。关于深度学习语言，可以查看这个文章。

你也可以查看查看 Stanford 的 CS231n 中的第 12 讲，概要性的了解一些深度学习库。

建议时间：1-3周

这是最有趣的部分，深度学习已经应用在各个领域中，并且取得了最先进的研究成果。如果你想更深入的了解，那么作为一个读者，你最适合的路径就是动手实践。这样才能对你现在了解的内容有一个更加深入的认识。

注意：在以下的每个领域中，都会包括一个博客，一个实战项目，一个需要的深度学习库以及一个辅助课程。第一步你应该学习一下博客，然后去安装对应的深度学习库，然后再去做实战项目。如果在这个过程中，你遇到什么问题，那么可以去学习辅助课程。

深度学习在机器视觉中的应用
- 参考博客：DL for Computer Vision
- 实战项目：Facial Keypoint Detection
- 深度学习库：Nolearn
- 推荐课程：CS231n: Convolutional Neural Networks for Visual Recognition
深度学习在自然语言处理中的应用
- 参考博客：Deep Learning, NLP, and Representations
- 实战项目：Deep Learning for Chatbots, Part 1, Part2。
- 深度学习库：Tensorflow
- 推荐课程：CS224d: Deep Learning for Natural Language Processing
深度学习在语音中的应用
- 参考博客：Deep Speech: Lessons from Deep Learning
- 实战项目：Music Generation using Magenta (Tensorflow)
- 深度学习库：Magenta
- 推荐课程：Deep Learning (Spring 2016), CILVR Lab@NYU
深度学习在强化学习中的应用
- 参考博客和实战项目：Deep Reinforcement Learning: Pong from Pixels
- 深度学习库：没有需要的深度学习库，但是你需要 openAI gym 来测试你的模型。
- 推荐课程：CS294: Deep Reinforcement Learning

建议时间：1-2个月

现在你应该已经已经学会了基础的深度学习算法！但是前面的路程会更加艰苦。现在，你可以尽可能高效的利用这一新获得的技能。这里有一些技巧，你应该做的，可以磨炼你的技能。

建议时间：无限