很多深度学习的教程可能一上来就让学神经网络，CNN，导致初学者有点迷茫，对待各种张量的shape有点疑惑和迷茫

一个简单的深度学习入门教程，是应该能让初学者能够快速理解和上手

这一期给大家推荐一个深度学习入门教程，入门门槛不高，包括了深度学习基础的内容，有助于加深对于深度学习的理解

下面具体来介绍一下这个深度学习教程：

第一章：Python入门（难度*）

主要介绍python是什么，python如何安装和配置环境，python中的数据类型，变量以及数据结构和一些其他语法，还有numpy和matplotlib用法的介绍，如果有Python基础的，可能跳过这一部分

第二章：感知机（难度**）

感知机是最简单的神经网络模型，介绍感知机的原理，感知机的局限性，多层感知机的代码，建议过一遍这一部分内容，虽然现在用得不多

第三章：神经网络（难度**）

介绍神经网络的组成，激活函数的类型，比如sigmoid函数，ReLu函数，还有矩阵的运算，最后是手写数字的识别，这个实例在很多深度学习教程中都会出现，比较简单和经典

第四章：神经网络的学习（难度**）

深度学习是数据驱动的，要划分训练集，验证集和测试集，介绍各种损失函数，梯度的计算过程

第五章：误差反向传播（难度**）

深度学习训练的时候分为前向传播和反向传播，反向传播涉及到参数的更新，这部分主要涉及计算图，链式法则，反向传播的过程，激活函数层的实现，最后是误差反向传播算法的实现

第六章：与学习相关的技巧（难度**）

主要是介绍各种优化器，优化器涉及神经网络的参数更新，不同优化器效果差别挺大的，常见的就是SGD和Adam, 还有就是神经网络模型参数的初始化，批归一化，正则化和超参数设置的技巧

第七章：卷积神经网络（难度***）

CNN, RNN, Transformer是三大特征提取器，CNN主要应用于图像领域，至今仍是经典的神经网络模型，介绍CNN的结构组成，以及现在经典的CNN模型，还有相应的可视化

第八章：深度学习（难度*）

这一部分蛀牙介绍深度学习历史，深度学习未来要解决的问题和方向，还有一些深度学习的应用案例，可以简单过一下，难度不大

整体的内容难度不大，没有复杂的数学推导和难懂的专业术语，如果之前有点基础的，基本上一天看一章不是问题，多看看不同的教程，一定会有不一样的收获，熟能生巧

资料获取：