一、为什么研究深度学习
深度学习是有史以来发明的最为优美的编程范式之一。在传统的方法中，我们告诉计算机做什么？把大问题分解成许多小的、精确定义的问题，通过计算机强大的计算能力，得出解析解或者近似解，从而辅助现实生活中很多问题的解决。而这个思路的瓶颈显而易见就是我们的建模和编码能力——如果计算机理解的问题是不正确的、不完善的，那么它肯定无法获得准确的解释。而深度学习则是提供了系统的方法，来提取系统中的最优特征，并且直接引导模型的建成。
1、今日深度学习的理论成熟、硬件支持已经比较完善
并且在传统问题上获得更好的成功率：图像分割、图像识别、图像增强……
2、图像处理和深度学习结合紧密，
深度学习已经成为CV研究的标配
第一，“一图顶千言”，图像、视频数据本身就是天生的“大数据”，并且数据和数据之间“强相关”，适合深度学习算法进行研究；此外，传统的图像处理任务非常适合在深度学习领域迁移。
第二，深度学习算法的通用性很强，刚才提到的检测，在传统算法里面，针对不同的物体需要定制化不同的算法。相比来看，基于深度学习的算法更加通用，比如faster RCNN在人脸、行人、一般物体检测任务上都可以取得非常好的效果。
第三，深度学习获得的特征(feature)有很强的迁移能力。所谓特征迁移能力，指的是在A任务上学习到一些特征，在B任务上使用也可以获得非常好的效果。例如在ImageNet（物体为主）上学习到的特征在场景分类任务上也能取得非常好的效果。
3、研究百花齐放，落地仍需时间
各行各业已经积累了丰富的数据，论文能够实现得到非常好的效果，但是由于成本、功耗、理念
等问题，深度学习技术
落地应用需走向垂直化——有着丰富的市场前景，强烈的需求。
二、怎样学习
学习是因人而异的，但是重点是有共性的，特别是深度学习的曲线肯定比较陡峭，并且受限于资源等多方面因素，一点要注重时刻总结反思，勤奋探索：
1、打好基础。能够理解神经网络乃至深度学习的基本思路，比如SGD，不仅要能够理解，而且要能够编码；
2、基本的Python编码能力，因为这块调试的时候系统影响比较大，很多变量是不可见的，所以必须要能够有比较好的编码能力；
3、运用先进工具，我们使用kares和colab解决相关问题；
4、不断学习、反思、交流。兼容并包。
5、专注于实际运用、算法的落地。
分享我的学习研究图谱
| 产出&创建解决实际问题的项目 |
|||
| DeepFakes换脸 |
以图搜图CBIR系统 |
AutoML |
视频识别 |
| LEW数据集人脸识别系统实验 |
ImageNet图像分类实验 |
ImageNet图像分割 |
纹理合成StyleTransform |
| Mnist系统实验 |
RCNN |
VGG |
GoogleNN |
| Keras基本知识 |
|||
| Network2可控可理解小型网络 |
Kares+Colab（可运行GPU网络） |
||
| Python、Numpy等语法和程序设计基本环境 |
|||
三、现在开始，学习那些东西
首先要解决的是基础问题；
1、
Python
、
Numpy
等语法和程序设计基本环境;
2、基本程序设计和训练环境的搭建，包括单机和联机的；
3、dl的基本原理,SGD为主；
4、kares解决基本训练问题。
关键是提升思路，这样我们心里有基础，手里有工具，眼睛里能够看到问题，才能脚踏实地地区解决现实的问题，提升自己的价值。