0、不用面面俱到：
想要快速上手深度学习的项目，其实用不上两到三个月，有了明确的目标和路径，其实上手还是蛮快的。
如果现在在小红书上搜索深度学习入门路径，有不少帖子会说从机器学习开始，还要学习numpy，Sklearn，更有甚者还要说要去学习贝叶斯原理矩阵变换的，我觉得他们说的对，但是也不全对。当然如果能从基础学起，很多知识便于我们以后的理解，这是好事，但是现在深度学习的节奏非常快，尤其是一些在读研或者跟着老师做项目的小伙伴，等把梯度贝叶斯全部搞明白，但是没有短时间看到结果，加上导师一催促，距离心态大崩也不远了。这种方法固然有它的道理，但是它无法持续，很难坚持下去。
我觉得大家要纠正一个观念，上了大学之后，我们学习知识很多时候不再是渐进式的了，不像以前一环套一环，大学的学习，尤其是做深度学习的项目，我们是可以跳跃式的学习的。具体方法可以分为以下几点。

1、学习目标
如果学习深度学习不知道自己的最终目的，就会产生东学一下西学一下的想法。比如觉得python太难，我就去学花书，觉得花书难，我就去学数学，数学难我就去找找代码跑一跑。这样漫无目的的学习不连贯，不知道自己到底该去哪儿，到最后就会从入门到放弃。
需要可以给自己定一个目标，有的放矢，这样就会在浩如烟海的资料中，精准找到自己该学习的知识，不会像猴子掰玉米一样，捡芝麻丢西瓜。比如导师安排我在一个月内要完成某医学图像的分类任务，或者说我觉得深度学习股票预测很有意思想了解一下，网上换脸的技术很神奇，这样有了自己的目标就知道自己该往哪个大方向走，知道哪部分该学，哪部分可以暂时跳过。把自己当成一个无情的目标机器，所有的一切都为这个目标服务，带有目的性的去择取知识，一方面知道自己距离目标还有多远，另一方面会给自己带来成就感和获得感，更容易坚持下去。

2、学习路线
有了航行目标之后我们就要开始造船了，当然造船没必要每一块木板都自己来锯，也没有必要去刻意去了解造出螺旋桨的五个步骤，你是一个船长，不是木匠，你的目标是带领大家到达目的地。很多东西我们知道怎么用就行了。
1.先从python开始：
一个星期可以掌握python ，你只用掌握基础的数据结构，循环和函数然后自己模仿着敲一遍，至于网络编程多线程这些你大可跳过。争取做一个小功能，把相关的数据结构都用上，加上函数循环条件语句等等，python就可以过关了。 至于sklearn、torch这些平台或者库函数，我的经验是直接跳过，哪里不会点哪里，看不懂就去搜具体函数的作用，这些只是工具。
2.秒掉深度学习理论：
为什么说没有必要去学习矩阵论和概率学，虽然深度学习里面有很多公式，但是讲道理随便拉一个已经搞了几年的硕士过来，他们可能知道梯度下降反向传播的大概原理，但是要手推公式原理，估计大部分人做不到。
比如CV方向，花一个星期学懂卷积神经网络已经足够。首先学习卷积的原理（这个比较简单，也不涉及复杂的公式），然后知道什么是反向传播梯度下降损失函数，有了百分之五六十的感性认识，就可以继续前进了。
在了解CNN后，再去了解经典的模型，比如AlexNet、ResNet，学习它们的创新之处，模型理论就可以过关啦。
如果是自然语言处理，也就是NLP方向的话，可以从RNN开始，再到LSTM再到Transformer，学会这三个模型，自然语言处理也有了感性的认识，知道这其中的原理，了解了什么是注意力机制，什么是残差，什么是编码解码器，心底也会更容易接受后续学到的知识。
上述说到的理论，如果没有任何基础的话，学起来可能稍微会吃力一些，但是以前没有AI，网上博客良莠不齐，有的讲的错的我们也不知道。好在现在如果碰到不懂的理论，我们可以有很多种方法去弄懂，比如让AI给我们举例，去小破站看对应章节的视频，多看几篇知乎csdn的文章，主要去找不懂的点，尽量不要发散。不要恋战。
3.开始上代码：
已经有了python 基础和深度学习理论，此时我们就可以直接上GitHub去搜索简单的demo跑一跑，比如图像分类的，可以去找手写体数字识别，鸢尾花识别，猫狗识别的等等项目。
安装相应的python 、torch环境顺利的话一上午就可以，如果不顺利，可能需要卡几天，但是最暴力的依然是遇到什么报错就去搜索，或者问AI，我们遇到的问题，绝大部分一定有人遇到过。一切准备就绪后，就可以开始运行代码，这也就到了最后一步，也是最容易出错的地方，包含从数据集读取，模型测试等一系列踩坑的地方，这里就没有办法速成了，就需要积累经验一步一步来，遇到问题就解决问题，直到模型跑出结果，那一刻，你可以舒一口气，并且有巨大的成就感。

4.在跑通了别人的模型之后，我们需要把别人的数据换成自己的数据集，此处就需要仔细研究相应的python、torch以及numpy的库了，这里我们就没有必要再去规避，即使用AI来写，我们也是需要尽量弄懂相应的代码的，否则我们后续不知道怎么修改代码，优化自己的项目工程。现在我们相当于有了一个基础版本，这时候我们再去深究深度学习其他模块的理论，比如一些即插即用的模块，可不可以应用到我们的模型上来？别人好的想法，我可以怎么做代码适配？如果加入之后效果不错，此时大概率就可以着手写一篇论文了，不过这个也看导师哈。

4、学习心态
其实一直到跑通别人的模型这一步，如果我们能够保证自己那天投入的精力，两到三个星期确实是足够了。可能有些小伙伴还是觉得我能办得到吗？感觉难度还是挺大的。
其实做很多事情困扰我们的从来不是有多难，而是我们自己一开始就给自己蒙上了一层困难的迷雾，不敢迈出第一步，害怕自己做了也没结果。
我在以前刚接触这个领域的时候，也没想到自己在很短的时间内能够掌握这么多基础理论。有时候需要适当逼自己一把，其实你能做到的远比自己想象的多。
我们要在战略上重视敌人，战略上藐视敌人，现在互联网最后发达，都能学会自己想学的知识。

大多数人其实都差不多，我们虽然不是天赋异禀，但也绝不是朽木不可雕。可能还有很多读研的小伙伴至今还是放养状态，分配的方向自己甚至完全没有接触过，导师不管，丢了一个课题自生自灭，每天浑浑噩噩，看别人干的如火如荼自己每天原地踏步，焦虑不已。如果你也是基本上没啥深度学习的基础，但是恰好课题与深度学习有关，或者没有方向，但是课题可以和深度学习结合，我建议你可以行动起来，试一试，自己开始学一学，相信半个月后，你肯定能脱胎换骨，有了自己的方向，知道自己该去哪儿。你在南极点，你在迷茫在低谷，只要你出发了，怎么走都是往北，都是向上走，还能坏到哪里去呢？
行动起来，未来的青千，院士，诺贝尔选手们。

欢迎大家围观我的gzh：阿龙AI日记，不定期分享文章和资料代码哦。