研一，在学机器学习和深度学习，为什么感觉越学越不会，怎么解决这个问题？
因为自己的问题是用C++实现的，所以使用的是pytorch C++ 的前端API，与python API的环境配置步骤还是很相似的，下面针对python API给出一个其他人写的配置环境的方法，我自己也试过这个方法是可行的（转载自。等你解决了手头的问题之后，最好再抽时间系统地学习一遍，这是很有必要的，学习初期为了尽快得到激励，很多东西都是零零散散地学过，为了弥补带来的负面作用，必须认真查缺补漏，加
作者：mozillar
链接：https://www.zhihu.com/question/371622741/answer/1349097204
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
学习是个系统工程，但是，入门的方式多种多样，适合自己的学习方式才是最好的方式。
这篇小文简单说说如何快速入门卷积神经网络（CNN）。既然是介绍入门的，那么一定要写得具体，有较强的可操作性，这也是本文的特点。
1 学习是枯燥的过程，尤其是在入门阶段，大量陌生的术语，思路找不到头绪，都很让人抓狂，所以一定要尽可能多给自己一些正向激励。一门课一门课地去学，一本书一本书地看，这样的学习方式，不太适合深度学习的入门。
2 编程，随便找一本python看一下，或者找个视频教程。只看最重要的基础部分，web应用、数据可视化什么的都不要管，因为你要快速地获得正向反馈，就得尽快开始下一阶段知识的学习。然后从书上找一个小项目完整地实现一下。我当时看的书是
，只看了前11章，然后照着书上的游戏案例做了一下。提高编程水平一方面要多看别人的代码，一方面要自己多练，还得写文章总结。深度学习入门的时候不用多么高的水平，因为现在的各种框架把对编程的要求降低了很多。所以编程这一块，2个礼拜就够了。
3 深度学习，如果你用卷积神经网络，那么一定要抓重点，别去一页一页啃什么概率论线性代数，也别去啃机器学习的教材和视频。重点就是卷积运算、梯度下降和网络结构。你首先要搞明白卷积是啥，可以看这本书（第一版）的第六章（注意，这本书是讲tensorflow 1.x的，tensorflow已经发布2.0版本，这本书里的代码可以不看，但是卷积的概念讲得不错）。
更精确一些，只看卷积层和池化层的这两小节，其他的忽视不看。当时也找了不少资料，还是觉得这本书对这两个知识点的解释最清楚。再强调一遍，初学阶段要的是成就感，尽快做到对各种相关知识的最低要求的掌握，以便尽早开始用这些知识解决你面临的问题。
梯度下降没啥好说的，首先看看偏导数，然后掌握几种经典方法：动量法，Adam就够了。
网络结构：你要做大的网络，还是轻量级的网络，自己要先想好。经典的网络结构和最新的网络结构都应当有所了解，仅举几个例子，大的网络：VGG，ResNet，轻量级网络：shuffleNet，mobileNet。然后学习下一步，开发框架，再反过头来去github下载他们的源代码，再研究一下如何实现这些网络，如何实现卷积、梯度下降训练、损失函数。
4 开发框架的学习。可以使用tensorflow和pytorch，也可以使用国产的。
4.1 如果使用tensorflow，可以先看我上面发的链接的书，再次强调这本书是tensorflow1.x，2.0的书我没有看过，所以没给出相关教材的推荐（这时只看前五章（代码之外的部分）即可，第六章也需要，但是你在第3步已经看过了），然后下载安装CPU版的tensorflow，或者直接安装GPU版的tensorflow及cuda，cudnn（建议在ubantu系统安装）。安装好之后去tensorflow英文官网看说明文档，只看最前面有关minst数据集实验的例子，实现之后动手运行一下。代码中用到哪些函数和知识，你再去官网搜，不要一上来就妄图吃成胖子，所有文档都看一遍，这样大大影响效率，也没有必要。
4.2 如果学习pytorch，可以先看官方教程，英文文档如下：
https://pytorch.org/tutorials/pytorch.org/tutorials/
对应的中文版如下：
主页 - PyTorch中文文档pytorch-cn.readthedocs.io/zh/latest/
当然，官方教程还有另一套资料可供学习，也算是pytorch的官方文档，是一本书（完整版有英文纸质版，很贵），目前英文电子版只能看前五章（130页左右），但是短小精悍，对pytorch一些操作的理解很有益，初学的话足够了，英文文档如下：
PyTorchpytorch.org/deep-learning-with-pytorch正在上传…重新上传取消
对应的中文版如下：
DL-with-PyTorch-CHNtangshusen.me/Deep-Learning-with-PyTorch-Chinese/#/
另外，推荐下面这本书作为补充，因为自己想做一点深度强化学习的研究，我只看了前五章和第16章，做卷积神经网络可以只看前六章。虽然书里有些代码的运行结果没有打印出来，部分代码的功能和结果也没有提供详细说明，但总体来说看着还行。
Python深度学习：基于PyTorch 9787111637172
一大缺憾就是有些地方注释少，尤其是后面深度强化学习部分，代码注释少得可怜，但是这本书最大的优点就是提供了源代码，想看书中代码运行结果的话很方便，可以直接复制粘贴，代码可以在下面的网站找到：
因为自己的问题是用C++实现的，所以使用的是pytorch C++ 的前端API，与python API的环境配置步骤还是很相似的，下面针对python API给出一个其他人写的配置环境的方法，我自己也试过这个方法是可行的（转载自mind_programmonkey的经验并表示感谢）：
至于C++ API，我是在VS2019中配置环境的，与使用其他第三方库的方法是一样的，有时间我会再单独开一个回答。
5 到这里，看一下我第3步最后一句话，吃透那几个神经网络的源代码（如果看不懂数据预处理部分也没关系，先吃透搭建网络结构部分的代码和训练的代码）注意这一步很关键，一定要吃透，理解每一行代码，不能停留于似是而非，只有完全搞懂，后面才能高效地学习。
6 找一个包含了制作数据集，预处理，网络结构搭建，训练，网络模型保存，结果保存和可视化的完整示例。制作适合tensorflow1.x 的自定义数据集可以看我前面推荐过的讲卷积那本书的第七章。跟上一步的重要性一样，关键在于吃透每一行代码和背后涉及到的数学原理。
7 动手做数据集时需要数据清洗，可以查一下相关方法。
8 尝试着去用你学到的知识解决问题吧，哪些知识点还有遗漏，或者有尚待提高的地方，也会很快地学习完，因为你已经掌握每个部分的知识脉络了。
9 如果要创新，强烈建议去CSDN看看别人的博客，和那个预印本网站找最新论文，关注机器之心、新智元、量子位、paperweekly这些公众号，多读别人的东西才能有思路。
10 入门基本上就是这样了。等你解决了手头的问题之后，最好再抽时间系统地学习一遍，这是很有必要的，学习初期为了尽快得到激励，很多东西都是零零散散地学过，为了弥补带来的负面作用，必须认真查缺补漏，加深理解。
11 上述步骤的第2到第8步最多也就需要两个月的时间。
PRML前面简单，后面难一些，总体来说不适合入门。有关机器学习的学习路线知乎已经有不少有价值的回答了，我是看李航老师的统计学习方法（第一版）入门的，写得很清晰。因为我主要研究的是强化学习和智能决策问题，所以只看了第一版，给研究生上课用的教材是第一版，并且自己补充了强化学习、深度学习和聚类。个人觉得如果不做NLP的话，第一版足够了。以下是第一版：
目前已经有第二版了：
第二版包含了第一版的内容，更正了第一版的一些小错误（大概两三处），并且增加了一倍的篇幅用于介绍NLP相关的机器学习方法。所以做NLP或者将来打算做NLP的同学，可以看第二版。
再回到开头，精通任何东西都不是一件容易的事情，有时候需要系统学习，有时候需要专门查阅相关资料深入一点往下钻，但是入门方法还是要找对的，能起到事半功倍的作用，少花时间绕弯路，希望对大家有所帮助。
需要机器学习深度学习统计学习电子书籍+500G人工智能学习资料（内含电子书，论文合集，最新技术资料，行业报告等）可以关注我回复（123）白嫖领
一站式 AI 云服务平台
更多推荐
1
0- 0
已为社区贡献7条内容
所有评论(0)