1.7
学习深度学习的路线图可能会因人而异（网上也有很多过来人给出非常具体的学习路线），但是从大的方面来说，通常可以按照以下步骤来学习：
了解人工智能和深度学习的基础知识，包括机器学习、神经网络和深度学习的基本概念。
了解常用的深度学习框架，如TensorFlow、PyTorch和Keras等。
学习深度学习的基本算法和技巧，如损失函数、优化器、正则化和批量归一化等。
学习如何使用深度学习框架训练模型，并学会如何使用预训练模型。
使用深度学习模型解决实际问题，如图像分类、语音识别和机器翻译等。
了解进阶主题，如强化学习、生成对抗网络和自然语言处理等。
学习深度学习，可以参考一些在线课程（如斯坦福的课程cs231n，cs224n等）或者书籍（如 《深度学习》、《神经网络与深度学习》 等）。如果你对机器学习还不了解，可以先看看梗直哥的课程：《机器学习必修课》。学习的过程中还可以参加一些比赛，以便获得更多的实践经验。比赛分为两类：通用比赛和特定领域比赛。通用比赛通常要求选手解决一组通用的机器学习问题，如Kaggle的数据竞赛。特定领域比赛则要求选手解决特定领域的问题，如计算机视觉比赛。参加比赛的好处在于可以更好地了解深度学习的应用，并获得与其他人的项目经验。此外，参加比赛还可以学习到新的技术和方法，并与其他选手交流经验。
还可以加入一些深度学习社区，如GitHub、Stack Overflow和Quora等，提供了丰富的资源，如论坛、博客、教程和代码库等。通过加入这些社区，可以获得更多的帮助和指导，并与其他学习者交流经验。
除了学习理论知识和实践技能之外，还可以尝试自己解决一些实际问题。这个过程中可以帮助你加深对深度学习的理解，并获得实践经验。此外，解决实际问题还可以更好地了解深度学习的应用，并学习如何将其应用于实际的场景中。解决实际问题的方法有很多，可以参考一些在线项目、数据集或者实战课程。也可以自己想出一个问题，然后尝试用深度学习的方法解决。
有条件的话还可以尝试参加一些技术会议或者研讨会，以便获得更多的知识和经验。技术会议和研讨会通常是深度学习领域的重要平台，可以了解最新的技术动态和研究成果，并与其他专家和学者交流经验。此外，参加会议也可以帮助学习者扩展人脉，并获得更多的机会。
同步更新：Github: https://github.com/Gengzhige
扩展学习：机器学习必修课：十大经典算法与Python实战
https://www.bilibili.com/cheese/play/ss1380?spm_id_from=333.999.0.0