深度學習入門建議
補基礎
數學：重點學線性代數（矩陣運算）、概率論（分布）、微積分（梯度）。
編程：掌握Python+NumPy（數組操作），能寫基礎數據處理代碼。
機器學習：先學線性回歸、邏輯回歸、評估指標（如準確率）。
學框架
選PyTorch或TensorFlow：PyTorch更易上手，TensorFlow工業界用得多。
從Keras/FastAI開始：用高級API快速跑通模型（如MNIST分類）。
啃模型
必學：CNN（圖像）、RNN/LSTM（時序）、Transformer（NLP）。
實踐：用框架實現經典模型（如用PyTorch寫LeNet）。
書籍推薦
1、深度學習的數學——使用Python語言
本書涵蓋要理解深度學習所必須掌握的數學知識。當然，你確實可以利用現成的組件，在完成好相應設置并準備好Python代碼以后，就對數據進行處理并完成模型訓練任務，而無須理解自己在做什么，更不用理解背后的數學理論。而且，由于深度學習的強大，你往往能成功地訓練一個模型。但是，你并不理解自己為什么能成功，也不該就此而滿足。想搞明白原因，就需要學習數學。雖然用不著大量的數學知識，但一定的數學功底還是必需的。具體來說，你需要理解與概率論、統計學、線性代數和微分相關的一些理論知識，而這些知識剛好就是本書所要討論的內容。
深度學習是一門注重應用的學科。了解深度學習背后的數學原理的人，可以在應用深度學習解決實際問題時游刃有余。本書通過Python代碼示例來講解深度學習背后的關鍵數學知識，包括概率論、統計學、線性代數、微分等，并進一步解釋神經網絡、反向傳播、梯度下降等深度學習領域關鍵知識背后的原理。 本書適合有一定深度學習基礎、了解Pyho如編程語言的讀者閱讀，也可作為拓展深度學習理論的參考書。
2、Python編程從新手到高手
本書全面細致地介紹了Python的各個功能、邏輯和慣用模式，以便讀者快速編寫出專業、地道、實用的Python程序，從Python新手成長為高手。 本書共5個部分。第一部分“Python環境”講解Python的哲學、開發環境、基本語法、項目結構和代碼導入等內容，為讀者編寫規范的Python代碼奠定堅實的基礎。第二部分“基本結構”講解Python的變量、數據類型、函數、類、對象、錯誤和異常等。第三部分“數據和流程”講解操作數據和控制執行流程的許多獨特方法，包括集合、迭代、生成器、推導式、文本輸入/輸出、上下文管理、二進制和序列化等。第四部分“高級概念”探索Python的高級策略，如繼承、混入、元類、抽象基類、自省、泛型、異步、并發、線程和并行等。第五部分“超越代碼”講解項目的打包、分發、調試、日志、測試和剖析等環節，并概述Python開發的方向。
3、深度學習：基礎與概念
作者： ［英］克里斯托弗 · M. 畢曉普（Christopher M. Bishop） ,［英］休·畢曉普（Hugh Bishop)
譯者： 鄒欣 ,阮思捷 ,劉志毅 ,王樹良
本書全面且深入地呈現了深度學習領域的知識體系，系統梳理了該領域的核心知 識，闡述了深度學習的關鍵概念、基礎理論及核心思想，剖析了當代深度學習架構與 技術。
全書共 20 章。本書首先介紹深度學習的發展歷程、基本概念及其在諸多領域（如 醫療診斷、圖像合成等）產生的深遠影響；繼而深入探討支撐深度學習的數學原理， 包括概率、標準分布等；在網絡模型方面，從單層網絡逐步深入到多層網絡、深度神 經網絡，詳細講解其結構、功能、優化方法及其在分類、回歸等任務中的應用，同時 涵蓋卷積網絡、Transformer 等前沿架構及其在計算機視覺、自然語言處理等領域的獨 特作用。本書還對正則化、采樣、潛變量、生成對抗網絡、自編碼器、擴散模型等關 鍵技術展開深入分析，闡釋其原理、算法流程及實際應用場景。
對于機器學習領域的新手，本書是全面且系統的入門教材，可引領其踏入深度學 習的知識殿堂；對于機器學習領域的從業者，本書是深化專業知識、緊跟技術前沿的 有力工具；對于相關專業的學生，本書是學習深度學習課程、開展學術研究的優質參 考資料。無論是理論學習、實踐應用還是學術研究，本書都是讀者在深度學習領域探 索與前行的重要指引。
4、動手學深度學習 PyTorch版 李沐和阿斯頓·張等強強聯合之作！機器學習、深度學習、AI領域重磅教程！
作者： 阿斯頓·張（Aston Zhang） ,[美]扎卡里·C. 立頓（Zachary C. Lipton） ,李沐（Mu Li） ,[德]亞歷山大·J. 斯莫拉（Alexander J. Smola）
譯者： 何孝霆（Xiaoting He） ,瑞潮兒·胡（Rachel Hu）
本書重新修訂《動手學深度學習》的所有內容，并針對技術的發展，新增注意力機制、預訓練等內容。本書包含15章，第一部分介紹深度學習的基礎知識和預備知識，并由線性模型引出最簡單的神經網絡——多層感知機；第二部分闡述深度學習計算的關鍵組件、卷積神經網絡、循環神經網絡、注意力機制等大多數現代深度學習應用背后的基本工具；第三部分討論深度學習中常用的優化算法和影響深度學習計算性能的重要因素，并分別列舉深度學習在計算機視覺和自然語言處理中的重要應用。
本書同時覆蓋深度學習的方法和實踐，主要面向在校大學生、技術人員和研究人員。閱讀本書需要讀者了解基本的Python編程知識及預備知識中描述的線性代數、微分和概率等基礎知識。
5、深度學習詳解 李宏毅機器學習課程
本書根據李宏毅老師“機器學習”公開課中與深度學習相關的內容編寫而成，介紹了卷積神經網絡、Transformer、生成模型、自監督學習（包括 BERT 和 GPT）等深度學習常見算法，并講解了對抗攻擊、領域自適應、強化學習、元學習、終身學習、網絡壓縮等深度學習相關的進階算法。
在理論嚴謹的基礎上，本書保留了公開課中大量生動有趣的例子，幫助讀者從生活化的角度理解深度學習的概念、建模過程和核心算法細節。
6、深度學習 [deep learning]
《深度學習》由全球知名的三位專家IanGoodfellow、YoshuaBengio和AaronCourville撰寫，是深度學習領域奠基性的經典教材。全書的內容包括3個部分：第1部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2部分系統深入地講解現今已成熟的深度學習方法和技術；第3部分討論某些具有前瞻性的方向和想法，它們被公認為是深度學習未來的研究重點。
《深度學習》適合各類讀者閱讀，包括相關專業的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際產品或平臺中應用的軟件工程師。
7、深度強化學習實戰
本書先介紹深度強化學習的基礎知識及相關算法，然后給出多個實戰項目，以期讓讀者可以根據環境的直接反饋對智能體加以調整和改進，提升運用深度強化學習技術解決實際問題的能力。 本書涵蓋深度Q網絡、策略梯度法、演員-評論家算法、進化算法、Dist-DQN、多智能體強化學習、可解釋性強化學習等內容。本書給出的實戰項目緊跟深度強化學習技術的發展趨勢，且所有項目示例以Jupter Notebook樣式給出，便于讀者修改代碼、觀察結果并及時獲取經驗，能夠帶給讀者交互式的學習體驗。 本書適合有一定深度學習和機器學習基礎并對強化學習感興趣的讀者閱讀。
8、PyTorch深度學習實戰
雖然很多深度學習工具都使用Python，但PyTorch 庫是真正具備Python 風格的。對于任何了解NumPy 和scikit-learn 等工具的人來說，上手PyTorch 輕而易舉。PyTorch 在不犧牲高級特性的情況下簡化了深度學習，它非常適合構建快速模型，并且可以平穩地從個人應用擴展到企業級應用。由于像蘋果、Facebook和摩根大通這樣的公司都使用PyTorch，所以當你掌握了PyTorth，就會擁有更多的職業選擇。 本書是教你使用 PyTorch 創建神經網絡和深度學習系統的實用指南。它幫助讀者快速從零開始構建一個真實示例：腫瘤圖像分類器。在此過程中，它涵蓋了整個深度學習管道的關鍵實踐，包括 PyTorch張量 API、用 Python 加載數據、監控訓練以及將結果進行可視化展示。
本書主要內容： （1）訓練深層神經網絡； （2）實現模塊和損失函數； （3）使用 PyTorch Hub 預先訓練的模型； （4）探索在 Jupyter Notebooks 中編寫示例代碼。 本書適用于對深度學習感興趣的 Python 程序員。了解深度學習的基礎知識對閱讀本書有一定的幫助，但讀者無須具有使用 PyTorch 或其他深度學習框架的經驗。
