深度学习涉及的内容非常多，浩瀚如烟的各色资料，更是眼花缭乱，窥其一而不知全豹的情况常常存在。常常知识点看完了，也理解了，可学这是干啥的？用在什么地方？什么场景？为什么是这个思路？目的是什么？等等，你会蹦出一系列的疑问。就是一个个知识点都是散落的珠子，你无法有因果有逻辑地贯穿起来。所以在写深度学习系列文章之前，我觉得非常有必要先把深度学习的整个框架展示一下。这是我自己跌跌撞撞走了很多弯路，才略知一二，现在mark下来。  

你最佳地学习路线是：以DNN、CNN、RNN这样的三条线路开始学。注意顺序不能颠倒，因为DNN是你学习CNN的基础，而CNN又是你入门RNN的基础。基础不牢，后面是你会越来越抓狂。当然你学DNN之前也是默认你有一定的计算机基础的、底层的内存、操作系统、语言、数据结构、数据库等都是默认你已经该知道的都知道了。  

那你现在可以以DNN、CNN、RNN的顺序开始构建你的深度学习知识框架了。但是不管是学DNN还是CNN还是RNN，大方向上，你这三个方面都要掌握：一是原理方面，包括网络结构、数据传播流程、损失函数、优化算法、训练流程、优化技巧等；二是数学方面，你要清楚数据传播过程是怎样的一个数学计算过程、你要清楚损失函数的具体或抽选的表达是什么、你要清楚优化算法背后的数学逻辑、你要知道训练过程的数学过程等，就是每步的数学过程你要清楚，这样你才能知道问题出在那里，你才能针对性的采取措施；三是代码实现方面，上述的各个环节都要用代码实现，因为你的任何想法和行为都要借助代码去实现，所以你要有基础的代码能力。

上面三方面你都掌握了，才能说明你学会了这个知识点。我个人的经历是：

数学方面最简单，如果你是研究生，你的数学储备基本就可以了，因为毕竟深度学习不像机器学习那样有严格的数学过程。深度学习是巨量的数据进行简单的运算，最多就是矩阵乘法。

其次是原理方面，有的知识点的原理会涉及到复杂严谨的数学过程，但是你可以不用细扣数学过程，你只要使用它的结论即可，就是用它的结论来印证你对原理的通俗理解。你类似我们不用人人都去发明牛顿定律，但我们可以使用牛顿定律去解决现实中的问题。就是即使你不明牛顿定律是怎么推导的，你只要知道这个公式是什么作用，能达到什么目的，你会自由使用这个公式即可。同时你要足够的灵活理解，就是多角度理解，因为深度学习原理部分有太多新名词，但是你只要理解它背后的数学过程，你就可以灵活理解了。比如就是一个矩阵和矩阵的乘，在深度学习中会有人说升维降维、空间转化、特征变换、高维、低维、映射等等不同场景下它发明了不同的专业词汇，但其本质都是一样的。再比如，给一个数乘以一个系数，这种再简单不过的计算，它会在不同的场景下你会被告诉是放缩、是调整了数据流啥啥的、是记住了啥啥啥、参考了啥啥啥、甚至说成这个门那个门的，其实背后仅仅就是乘了一个系数而已，所以你要绕开装逼看到本质。  

最后代码方面，这是你学习的归宿，不管你有什么想法、什么行动，你都得借助计算机，才能实现或者想大家展示你的想法，所以你的基本代码能力必须有。而这个能力是一点点积累的，单独去学也效果不大，因为在你没有学它的目的和背景的情况下，你只可能是学完即忘完。所以我推荐是边学原理边学代码，这样你就知道这个函数用在什么地方，它帮我实现什么功能、完成了什么任务。以后你再遇到相同任务，你就可以拿来用了。它是一个工具，而且是一个非常复杂的工具，你要日积月累的认识它、熟练它。

好那我们开始从DNN、CNN、RNN这样的顺序，细化每种网络我们都要学什么：

第一阶段：DNN阶段。

 我暂时能想到的知识线条就这么多，本来打算再继续写CNN、RNN，但是实在是太多，时间也有限。CNN和RNN的类似上面的四维导图，等我开始写的时候再补上。

后面开始按照DNN、CNN、RNN这个线条更新文章。