现在，深度学习入门相较于几年前，已经门槛非常低了，既有大量的中文资料，又有现成的训练平台（tensorflow和pytorch），但是我们仍然需要一些技巧。
首先，第一步，也是必须的一步，就是补习一下微积分的知识。
可能有同学一听到微积分就头痛，不过没关系，深度学习用的微积分知识不多，主要是导数，梯度，链式法则。基本上也就是书上一两章的内容，这些弄懂基本足够了。
如果想深入一些，可以再补一补函数极值，牛顿法，矩阵分解，这些知识点大都是传统机器学习的必需品，深度学习已经没有那么讲究了。
接下来，需要选择你的打怪路线，我们主要分两类人，第一类是学理科出身的，比如数学物理；第二类是学计算机出身的。
第一类人，优势是公式推导和理论，所以我们需要从理论入手，深度学习的重点理论有：神经网络的前向传播，神经网络的反向传播，梯度下降法，随机梯度下降法，批梯度下降法，动量梯度下降法，adam梯度下降法，神经网络的梯度消失与爆炸问题，神经网络的正则化，dropout，batchnorm，softmax公式，交叉熵损失等等。
还有一个重点，就是最新的理论（面试重点），必须要熟悉一个，比如说几年前，你得把adam梯度下降法弄熟了，这两年是batchnorm，transformer，未来几年可能是模型的剪枝和压缩或者图神经网络，那么这些知识点从哪获得呢？
如果你的英语水平还可以，那么我推荐你直接看论文。有的同学可能会喜欢看书，那么为什么书没有论文好呢？首先，看书无法得到最新进展，因为我也写过书，我知道从写书到最后发表，至少要经过一年的时间，而深度学习领域更新换代非常快，一年前的知识很可能已经用不上了。其次，书往往是什么内容都讲，而你可能需要的是某一个问题的深入理解。
如何查找论文？很简单，对于以前的内容，直接搜索知识点名字即可，论文基本都是全网免费的，对于最新的知识点，需要关注一下AI顶会：CVPR、NIPS、ICML，其他会议排名可查看：https://www.aminer.cn/ranks/conf。
当然，喜欢看书的同学或是英文不太熟练的同学，也有很多好书，比如我们常说的花书：Ian Goodfellow、Yoshua Bengio 和Aaron Courville写的深度学习、Deep Learning with Python、Machine Learning Yearning、Neural Networks and Deep Learning等。
最后，大家也可以找到很多深度学习的课程，但是不推荐大家直接看课程，因为在课程中，每个老师都或多或少把自己的理解放入，很容易影响初学者。
比如我一开始就看的李宏毅的课程，到现在还是“深受其害”。比较推荐的课程有：李宏毅的机器学习，斯坦福的深度学习公开课，深度学习的应用。当然，你也可以关注我，哈哈。
接下来说第二类人，计算机科班出身，那么你要做的就是直接先撸代码，这个现在也很简单，无论是keras，tensorflow，还是pytorch，都是基于python的，并且有详细的教程（中文），你需要会学哪些代码呢？
首先，肯定是实现各种神经网络，一般第一个项目是手写数字识别，然后是cifar10，cifar100，imagenet，电影评论数据，wiki爬虫文本这些通用的数据集。
不管三七二十一，将平台的教程全部码一遍代码，把几种常用的网络（DNN、CNN、RNN、LSTM），损失函数，激活函数，优化器，正则化方法都搞熟练了。
然后，弄懂平台如何提高深度学习的效率，包括分布式计算，GPU的使用，多GPU的使用，数据流式处理，计算图的区别。
其次，积累一些调参的经验，一般来说，教程里给的参数都不是效果最好的，你需要花时间去做调参，当然也可以用自动化的调参工具（Ray tune），最后，需要积累一些项目，比如车牌识别，人脸识别，AI换脸，AI医疗，项目越新越好，不用做的很好，将流程跑通即可。
接下来，两类人身份转换，分别去学对方的第一步即可。总之，对于初学者，我们要做的就是扬长避短，先做自己最熟悉的，帮助自己快速入门。还有一个小技巧分享给大家，就是多面试，面试官问了啥，回去就学啥，很快你就会发现你基本都会了。
最后，当你入门了之后，就面临一个选择了，现在深度学习有这么几大方向：计算机视觉、自然语言处理、语音识别、推荐系统、强化学习，你需要选择一个适合自己的。当然，你觉得自己能力够强，完全可以把他们融会贯通。
计算机视觉（卷积神经网络）上手难度最低，模型效果已经全面赶超人类水平，但是领域已经趋近于饱和，近年来也没有划时代的变化，岗位需求一般，不容易有进一步发展，最经典的论文有Alexnet，ResNet，EfficientNet，书籍有Computer Vision: Algorithms and Applications、Computer Vision: Models, Learning, and Inference，课程有斯坦福大学李飞飞教授的课程。
自然语言处理（循环神经网络），上手难度中等，模型效果略微落后人类水平，最近在bert和transformer网络的兴起下，发展势头迅猛，未来几年岗位需求巨大，上升空间明显，但是落地项目较少。最经典的论文有Bert：Bidirectional Encoder Representations from Transformers、Improving Language Understanding by Generative Pre-Training，书籍有Speech and Language Processing、Neural Network Methods in Natural Language Processing，课程有微软自然语言处理、斯坦福CS224n、Coursera免费课程。
语音识别（时间序列模型），上手难度非常高，模型效果远远不及人类，主要难点在噪声环境下的语音识别，岗位需求一般，未来前景不明朗。
最经典的论文有Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups、Deep speech 2: End-to-end speech recognition in english and mandarin、Achieving Human Parity in Conversational Speech Recognition，书籍有语音识别基本原理、Speech and Language Processing，工具有kaldi开源工具箱。
推荐系统（FM模型），上手难度中等，移动互联网的中坚力量，岗位需求多，代码能力要求高，上升空间明显，推荐系统对数据依赖性强，特征工程要高，一般来说只有大公司能做。
最经典的论文有Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model、Item-Based Collaborative Filtering Recommendation Algorithms、Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions，书籍有推荐系统实践、推荐系统 : 技术、评估及高效算法、Recommender Systems: The Textbook，课程有coursea上的Recommender Systems Specialization。
强化学习（actor-agent交互模型），上手难度高，暂时主要用于游戏AI，棋类软件，预期应用广泛，媒体宣传的很卖力（alphago），但是雷声大雨点小，岗位需求一般，未来前景暂不明朗。经典论文有：Playing Atari with Deep Reinforcement Learning、Deep Reinforcement Learning with Double Q-learning、Prioritized Experience Replay，书籍有Reinforcement Learning : An introduction，课程有UCB的CS294。