作者：Matthew Mayo 翻譯：Andrewseu

網(wǎng)上有很多的深度學(xué)習(xí)的免費學(xué)習(xí)資源，但是可能會對從哪里開始有些困惑。七步內(nèi)從對深度神經(jīng)網(wǎng)絡(luò)的模糊理解到知識淵博的從業(yè)者（knowledgeable practitioner）！

深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支，擁有很多的相似性，但是卻也不同，深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在自然語言處理、計算機視覺、生物信息學(xué)和其他領(lǐng)域解決了各種各樣的問題。深度學(xué)習(xí)經(jīng)歷了一場巨大的最近研究的重現(xiàn)，并且在很多領(lǐng)域中已經(jīng)展現(xiàn)出最先進的成果。

本質(zhì)上，深度學(xué)習(xí)是超過一層隱藏神經(jīng)元的神經(jīng)網(wǎng)絡(luò)的執(zhí)行。但是，這是對深度學(xué)習(xí)的一個簡單的看法，并且不是一個沒有爭議的觀點。這些深層構(gòu)架也非常不同，對不同任務(wù)或目標(biāo)優(yōu)化會有不同的執(zhí)行。在這樣一個恒定速率進行著的大量研究在以史上未有的速度展現(xiàn)新的和創(chuàng)新的深度學(xué)習(xí)模型。

最近的一個白熱化的研究課題，深度學(xué)習(xí)似乎影響著機器學(xué)習(xí)的所有領(lǐng)域，相關(guān)的還有數(shù)據(jù)科學(xué)。粗略看看相關(guān)arXiv目錄下最近的論文，很容易看出大量正在被發(fā)表的論文都是深度學(xué)習(xí)相關(guān)的。鑒于已經(jīng)產(chǎn)生的令人驚嘆的成果，很多研究者，從業(yè)者和外行都在想深度學(xué)習(xí)是否是真正的人工智能的邊界。

這系列的閱讀材料和教程旨在給深度神經(jīng)網(wǎng)絡(luò)的新人提供一條路徑去理解這個巨大而復(fù)雜的課題。盡管我不假設(shè)對神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)真正的理解，但是我假設(shè)你對一般的機器學(xué)習(xí)理論和實踐具有某種程度的熟悉度。為了克服在一般機器學(xué)習(xí)理論和實踐的不足，你可以看看最近KDnuggets發(fā)布的7 Steps to Mastering Machine Learning With Python。由于我們也看用Python寫的例子的執(zhí)行，對語言有些熟悉會很有用。介紹和綜述的資源在previodsly mentioned post也是提供的。

這篇博客將以緊密結(jié)合的順序使用網(wǎng)絡(luò)上免費提供的材料在理論層面上獲得對深度神經(jīng)網(wǎng)絡(luò)的一些理解，然后繼續(xù)轉(zhuǎn)向一些實際的執(zhí)行。同樣的，借鑒過來的引用材料只屬于創(chuàng)建者，跟資源會一起被標(biāo)注。如果你看到有人因為他們的工作沒有被正確引用，請告知我，我會很快修改的。

一個完全誠實的免責(zé)申明：深度學(xué)習(xí)是一個復(fù)雜而在廣度和深度（pun unintended？）變化很快的領(lǐng)域，因此這篇博客不保證包括所有成為深度學(xué)習(xí)專家的手冊；這樣的一個轉(zhuǎn)化將會需要更多的時間，很多附加材料和很多實際建立和測試的模型。但是，我相信的是，使用這里的資源可以幫你在這樣一個路徑下開始。

第一步：介紹深度學(xué)習(xí)

如果你正在讀這個并且對這個課題感興趣，你可能已經(jīng)對深度神經(jīng)網(wǎng)絡(luò)已經(jīng)熟悉，甚至在一個很基礎(chǔ)的層次。神經(jīng)網(wǎng)絡(luò)有一個故事性的歷史，但是我們將不會深入。但是，我們需要如果在開始就有一個普遍高層次的理解。

首先，看看DeepLearning .tv精彩的介紹視頻。在 寫完這個的時候已經(jīng)有14個視頻了；如果你喜歡看完他們，但是一定要看前五個，包含了神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)和一些更常見的結(jié)構(gòu)。

然后，仔細(xì)閱讀Geoff Hinton，Yoshua Bengioh和Yann LeCun的NIPS 2015 Deep Learning Tutorial，一個稍微更低層次的介紹。

完成我們的第一步，讀the first chapter of Neural Networks and Deep Learning，這個由Michael Nielden寫的精妙的，不斷更新的在線書，這會更近一步但是依然很粗淺。

第二步：學(xué)習(xí)技術(shù)

深度神經(jīng)網(wǎng)絡(luò)依賴代數(shù)和微積分的數(shù)學(xué)基礎(chǔ)。然而這篇博客不會產(chǎn)生任何理論上的數(shù)學(xué)，在繼續(xù)之前有一些理解將會很有幫助。

第一，看Andrew Ng的linear algebra review videos。但是不是絕對的必要，想要對線性代數(shù)了解更深的話，從Ng的斯坦福課程看看Zico Kolter 和Chuong Do寫的Linear Algebra Review and Reference.

然后看看Professor Leonard的Introduction to the Derivative of a Function. 視頻是很簡潔的，例子是很清晰的，并且提供了從數(shù)學(xué)的視角來看在反向傳播的過程中到底發(fā)生了什么。一會兒會更多。

接下來迅速瀏覽下維基Sigmoid function的詞條，一個在神經(jīng)網(wǎng)絡(luò)中經(jīng)常通過單個神經(jīng)元應(yīng)用的邊界差分函數(shù)。

最后，從數(shù)學(xué)上休息下閱讀谷歌研究科學(xué)家 Quoc Le的Deep Learning Tutorial.

第三步：反向傳播和梯度下降

神經(jīng)網(wǎng)絡(luò)包括現(xiàn)代深度構(gòu)架重要的一部分是反向傳播算法的錯誤，使用離輸入更近的神經(jīng)元通過網(wǎng)絡(luò)更新權(quán)重。非常坦率的說，這就是神經(jīng)網(wǎng)絡(luò)繼承他們”力量“（缺乏更好的術(shù)語）的地方。反向傳播和一個隨后分布式的最小化權(quán)重的優(yōu)化方法，為了最小化損失函數(shù)。在深度學(xué)習(xí)中一個常見的優(yōu)化方法是梯度下降。

首先，看看這些斯圖加特大學(xué)Marc Toussaint 寫的關(guān)于梯度下降的介紹筆記。

然后，看看Matt Mazur寫的this step by step example of backpropagation in action.

繼續(xù)，閱讀Jeremy Kun關(guān)于 coding backpropagation in Python的信息博客。仔細(xì)看看完整代碼也是建議的，嘗試自己寫一遍代碼。

最后，讀Quoc Le寫的Deep Learning Tutorial的第二部分，為了獲取一些更具體更常見的深度結(jié)構(gòu)和他們用途的介紹。

第四步：實踐

具體的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的下一步介紹將會使用在現(xiàn)在研究中最流行的python深度學(xué)習(xí)庫包括實際執(zhí)行。在一些情況下，一些不同的庫的優(yōu)化是為了某個特定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且已經(jīng)在某些特定的領(lǐng)域立足，我們將會使用三個不同的深度學(xué)習(xí)庫。這不是多余的，在特定領(lǐng)域的實踐中與最新的庫保持一致時學(xué)習(xí)時很重要的一步。接下來的訓(xùn)練也將會讓你自己評價不同的庫，并且形成一個在哪些問題上用哪個的直覺。

現(xiàn)在歡迎你選擇一個庫或者聯(lián)合庫進行安裝，是否繼續(xù)那些教程取決于你的選擇。如果你希望嘗試一個庫并且使用它來執(zhí)行接下來步驟的教程，我會推薦TensorFlow,原因如下，我會提到最相關(guān)的（至少是在我的眼中）：它執(zhí)行自動分化（autodifferentiation），意味著你不需要擔(dān)心從頭執(zhí)行反向傳播，更可能使代碼更容易理解（尤其是對一個初學(xué)者來說）。

我寫關(guān)于TensorFlow的文章是在剛出來的時候TensorFlow Disappoints – Google Deep Learning Falls Shallow，這個標(biāo)題暗示著比在實際中更失望；我最初關(guān)注的是它缺少GPU集叢的網(wǎng)絡(luò)訓(xùn)練（很可能很快會有它自己的方式）.無論如何，如果你沒有看列在下面的白皮書但是想看更多關(guān)于TensotFlow的材料，我建議讀我原始的文章，然后跟著Zachary Lipton's 寫的很好的部分，TensorFlow is Terrific – A Sober Take on Deep Learning Acceleration.

TensorFlow

Google的TensorFlow是基于數(shù)據(jù)流圖展現(xiàn)的一個通用的機器i學(xué)習(xí)庫。

安裝TensorFlow在這里

查看白皮書

嘗試它的

文檔

Theano

Theano是被蒙特利爾大學(xué)的LISA group積極開發(fā)的。

安裝Theano在這里

介紹教程

文檔

Caffe

Caffe是由加州大學(xué)伯克利分校的BVLC開發(fā)的。Theano和Tensorflow可以認(rèn)為是通用的深度學(xué)習(xí)庫，Caffe是由一個計算機視覺的組開發(fā)的，主要考慮的解決那樣的問題；但是，它也是一個通用的庫為了為不同領(lǐng)域建立不同的深度學(xué)習(xí)框架。

在這里安裝Caffe

閱讀來進行熟悉

同時看看文檔

記住這些并不僅僅是現(xiàn)在流行的庫。事實上，還有很多很多可以選擇，這些選擇是基于教程的流行性，文檔和總體上研究上的接受程度。

其他的深度學(xué)習(xí)庫選擇包括：

Keras---一個用于Theano和TensorFlow高層、極簡Python神經(jīng)網(wǎng)絡(luò)庫

Lasagne---Theano頂上的輕量級python庫

Torch---Lua機器學(xué)習(xí)算法庫

DeepLearning4j---Jaav和Scala開源、分布式深度學(xué)習(xí)庫

Chainer---一個靈活的、直觀的python神經(jīng)網(wǎng)絡(luò)庫

Mocha---Juliade的一個深度學(xué)習(xí)框架

安裝好這些庫，現(xiàn)在我們可以繼續(xù)實踐。

第五步：卷積神經(jīng)網(wǎng)絡(luò)和計算機視覺

計算機視覺解決處理和理解圖片和它的符號信息。大部分領(lǐng)域最近的突破都是來自于深度神經(jīng)網(wǎng)絡(luò)的使用。特別的，卷積神經(jīng)網(wǎng)絡(luò)在最近扮演一個很重要的角色。

首先，讀Yoshua Bengio的deep learning with computer vision，為了對這個課題有一個理解。

然后。如果你安裝好了TensorFlow，閱讀并執(zhí)行這個教程，這個是用卷積i神經(jīng)網(wǎng)絡(luò)分類CIFAR-10圖片。如果你安裝了Caffe，對于上一個教程的替代，執(zhí)行Caffe中的卷積神經(jīng)網(wǎng)絡(luò)分類MNIST數(shù)據(jù)集圖片。

這里是一個粗略等同于Caffe 的練習(xí)Theano tutorial.

然后，讀Krizhevsky, Sutskever和Hinton的seminal convolutional neural network paper增加額外的視野。

第六步：遞歸網(wǎng)和語言處理

自然語言處理（NLP）是收益與深度學(xué)習(xí)的另一個領(lǐng)域。關(guān)心理解自然語言，NLP通過運用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）有很多最新的成功。

Andrej Karpathy有一篇很贊的博客，題目是The Unreasonable Effectiveness of Recurrent Neural Networks，列出了RNN在訓(xùn)練字符級語言模型的有效性的大綱。它提到的代碼是通過Torch用Lua寫的，所以你可以跳過；這個在純理論層次上依舊很有用。

這個教程為語言處理在TensorFlow上執(zhí)行RNN.

你也可以用Theano并且用這個教程嘗試，用文字嵌套執(zhí)行了一個RNN.

最后，你可以讀Yoon Kim的Convolutional Neural Networks for Sentence Classification，這是CNN在語言處理上的又一個應(yīng)用。Denny Britz 有一篇博客，題目是Implementing A CNN For Text Clasification in TensorFlow，使用的是電影的評論數(shù)據(jù)。

第七步：更深入的課題

上面的步驟在深度學(xué)習(xí)已經(jīng)從理論上進步到實踐。通過在前兩步執(zhí)行卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，希望的是對它們力量和功能性的預(yù)先感知。與CNN和RNN一樣普遍的有很多其他隨著基礎(chǔ)研究出現(xiàn)的已經(jīng)存在的深度結(jié)構(gòu)。

有很多超過前面理論步驟展現(xiàn)的其他的考慮，同樣的，下面是這些另外結(jié)構(gòu)和考慮的快速的調(diào)研。

為了更深的理解適合時間序列預(yù)測的特定類型的RNN，長短項記憶網(wǎng)絡(luò)，讀Christopher Olah寫的這篇文章。

Denny Britz寫的這篇文章是用LSTM和GRUs的 很好的一個關(guān)于RNN的教程。看這篇論文更深地討論GRUs和LSTMs.

很顯然這沒有包含所有的深度學(xué)習(xí)構(gòu)架。限制波爾茲曼機是一個腦中很明顯需要排除的，正如antoencoders，和一系列產(chǎn)生的相關(guān)的模型包括Generative Adversarial Networks. 但是，必須在某處畫一條線，不然這篇將會一直下去。

對那些感興趣其他深度學(xué)習(xí)構(gòu)架的，我建議看看Yshua Bengio的ftml.

對于我們的最終目標(biāo)和有一些不同的東西，看看Google DeepMindShakir Mohamed的 A Statistical Analysis of Deep Learning。這個比我們平常看到的材料更理論一些，但是值得用另一種方法看我們熟悉的事物。Shakir對6個月的課程寫了一系列文章,展現(xiàn)測試wide-held beliefs，增強數(shù)據(jù)的連接，并且深度學(xué)習(xí)中要隱藏的東西。有一個所有發(fā)布的PDF集合.

希望足夠的信息已經(jīng)展現(xiàn)，能夠給讀者一個對深度神經(jīng)網(wǎng)絡(luò)介紹性的綜述，并且提供一些想對這個課題繼續(xù)研究的熱情。