利用Python進行深度學習的完整入門指南(附資源)

大數據文摘作品，轉載要求見文末

編譯團隊|姚佳靈 裴迅

 簡介 

▼

深度學習，是人工智慧領域的一個突出的話題，被眾人關注已經有相當長的一段時間了。它備受關注是因為在計算機視覺（Computer  Vision）和遊戲（Alpha GO）等領域有超越人類能力的突破 。自上一次調查（查看調查：https://www.analyticsvidhya.com/blog/2014/06/deep-learning-attention/）以來，對於深度學習的關注又出現了大幅增加的趨勢。

下圖是谷歌趨勢向我們所展示的：

如果你對這個話題感興趣的話，本文是一個很好的非技術性的介紹。如果你有興趣了解關於深度學習的最新趨勢，本文是一個很全面的匯總。

在這裡，我們的目標是為新手和想進一步探索深度學習的人們提供一個學習路徑。那麼，你準備好踏上徵服深度學習的徵程了嗎？我們上路吧。

步驟0：出徵準備

建議在進入深入學習領域之前，應該了解機器學習的基本知識。「機器學習的學習路徑」（https://www.analyticsvidhya.com/learning-path-learn-machine-learning/）是一個完整的資源，讓你開始了解該領域。

如果你想要一個較短的版本，請看下面：

時間：建議2-6個月

 

步驟1：設置好你的機器

在繼續下一步之前，請確保有支撐硬體。一般建議應該至少有：

 

如果仍然不確定，可以看一下這個硬體指南http://timdettmers.com/2015/03/09/deep-learning-hardware-guide/

PS：如果你是一個鐵桿遊戲玩家（當然不只是糖果粉碎機玩家！），你可能已經有了所需硬體。

如果沒有所需硬體，可以購買或租用一個亞馬遜網頁服務（AWS，https://aws.amazon.com）。這裡有個利用AWS進行深度學習的好指南：http://cs231n.github.io/aws-tutorial/。

注意：在這個階段不用安裝任何深度學習的學習庫，這些在步驟3中做。

 

步驟2：嘗試一下

現在有了足夠的預備知識，可以進一步了解深度學習了。

按照個人喜好，可以關注：

除了這些先決條件，還應該知道流行的深度學習程序庫和運行它們的語言。這是一個（非全面）列表（更全面的列表請查看維基頁面）：

Caffe ：http://caffe.berkeleyvision.org

DeepLearning4j：http://deeplearning4j.org

Tensorflow：https://www.tensorflow.org

Theano：http://www.deeplearning.net/software/theano/

Torch：http://torch.ch

其他一些著名的庫包括：

Mocha：http://mochajl.readthedocs.io/en/latest/

neon：http://neon.nervanasys.com/index.html/

H2O：http://www.h2o.ai/verticals/algos/deep-learning/

MXNet：https://github.com/dmlc/mxnet

Keras： https://keras.io

Lasagne：http://lasagne.readthedocs.io/en/latest/

Nolearn：https://github.com/dnouri/nolearn

 

這裡有一個根據語言分類的深度學習庫列表：http://www.teglor.com/b/deep-learning-libraries-language-cm569/

建議看斯坦福的cs231n課程第12講：流行的深度學習庫概述http://cs231n.stanford.edu/slides/winter1516_lecture12.pdf

時間：建議1-3周

步驟3：選擇你自己的探險之路

現在有趣的部分來了！深度學習已被應用在各個領域並帶來了最先進成果。為了進入到這個領域，你，讀者，需要選擇一條合適自己的路走。這應該是個實踐經驗，那樣你就可以在目前所理解的之上獲得一個合適的基礎。

注意：每條路徑包含一個入門簡介的博客，一個實踐項目，項目所需的深度學習的程序庫和輔助課程。首先理解簡介，然後安裝所需的程序庫，開始項目工作。如果你在這其中遇到任何困難，利用相關的課程以獲得支持。

深度學習之計算機視覺

 

深度學習之自然語言處理

https://github.com/dennybritz/chatbot-retrieval/#setup

深度學習之語音/音頻識別

項目：「用Magenta生成音樂（tensorflow）」https://magenta.tensorflow.org/2016/06/10/recurrent-neural-network-generation-tutorial/

所需程序庫：Magenta，https://github.com/tensorflow/magenta#installation

相關課程：「深度學習（2016春季），cilvr實驗室@紐約http://cilvr.cs.nyu.edu/doku.php?id=courses:deeplearning2016:start

深度學習之強化學習

入門介紹與項目：「深度強化學習：來自Pixels的桌球遊戲」 http://karpathy.github.io/2016/05/31/rl/

所需程序庫：沒有要求。但是需要openAI gym （https://github.com/openai/gym#installation）來測試你的模型。

相關課程：「cs294：深度強化學習」http://rll.berkeley.edu/deeprlcourse/

時間：建議1-2個月

步驟4：深入深度學習

現在（幾乎）能夠在深度學習名人堂上佔一個坑！前面的道路是漫長的和深刻的（雙關語），其實主要是還未探索過的。現在是靠你自己熟悉和使用這個新技能的時候。這裡有一些技巧，可以提升你的技能。

選擇一個不同的路徑重複上述步驟。

深度學習之以上沒提到的！（例如：交易的深度學習，為優化能源效率的深度學習https://deepmind.com/blog/?t=1）

使用你新學到的技能來創建一個東西（請記得，力量越大，責任越大，https://xkcd.com/1613/）

測試你的深度學習技能（如Kaggle， https://www.kaggle.com/competitions）

參與深度學習社區（如谷歌群 https://plus.google.com/u/0/communities/112866381580457264725，DL subreddithttps://www.reddit.com/r/deeplearning/）

關注最新的研究成果及研究人員。（如「RE.WORK DL Summit 」，https://www.re-work.co/events/deep-learning-sanfran-2016」）

時間：建議——無上限！

 結語 

 ▼

希望本文對各位讀者有幫助！

如需轉載，請在開篇顯著位置註明作者和出處（轉自：大數據文摘 |bigdatadigest），並在文章結尾放置大數據文摘醒目二維碼。無原創標識文章請按照轉載要求編輯，可直接轉載，轉載後請將轉載連結發送給我們；有原創標識文章，請發送【文章名稱-待授權公眾號名稱及ID】給我們申請白名單授權。未經許可的轉載以及改編者，我們將依法追究其法律責任。聯繫郵箱：[e-mail]。
將Python和R整合進一個數據分析流程