首先說我個人的結論：
（1）假如是爲了找工作，或者短時間內解決問題，我建議最好的入門書是：《Python 深度學習》和《Scikit-Learn與TensorFlow機器學習實用指南（影印版）》和《TensorFlow：實戰Google深度學習框架（第2版）》，三本書都是該領域的經典，而且難得的是非常易讀，看完就可以利用經典的機器學習和深度學習算法解決常見的問題。
（2）假如想長期學習，深入理解深度學習的原理，並想進一步研究的話。我的建議是自己從零開始不借助任何框架，寫一個自己的卷積神經網絡。此後再理論和實踐兩把抓。不要一上來就啃艱深的理論，也不要一直用深度學習的框架，做一個“調包俠”。
轉眼間，學習深度學習也已經兩年了。也用一些框架寫了不少算法，做過不少實踐，出了一些論文。但是回顧學習歷程，我總覺兩腳不着地，不踏實。這種不踏實並沒有因爲框架用得熟練，項目做多了而逐漸消散，反而經常因爲觸碰到一些比較深的問題而感到不安。記得2017年，在網上學習了卷積自編碼器，自己想將一維卷積自編碼器用在時域信號的去噪處理中。在一維卷積自編碼器中，要用到一個叫做反捲積的方法，我當時所用的Tensorflow 最新版本還沒有一維反捲積這個方法。於是我便自己嘗試這個方法，但是由於做“調包俠”久了，寫了一個星期的代碼還是bug不斷，不得已就放棄了。
除了這種自己造輪子的場景，還有用輪子也出現不少問題。我們知道，無論在機器學習還是深度學習，最爲關鍵的就是調參。人言“三分算法，七分調參”不是虛言。但是要練好這調參神功卻是不易，學習率要如何設置？要採用什麼參數更新方法（SGD，AdaGrad，Adam...）? Batch Normalization 要不要用？選用那種正則化方法？這些都不是看Tensorflow 文檔能得到答案的。因此，要想磚搬得好，我意識到看那些光講框架的書，還有網上的一些實踐案例（手寫字體識別，風格遷移，圖像生成...）是遠遠不夠的。表面上看，看完這些教程和案例，你就可以上手做很多實踐。能快速上手當然是好事，但是就像我開頭說的那邊，這樣學到的深度學習充其量不過是“調包俠”而已，要說入門深度學習，還差得甚遠。
問題出在哪呢？很顯然，是對深度學習的理論理解的不夠。理論當然很艱難，但是“欲詣扶桑,非舟莫適”，沒有理論的加持，在深度學習這條路上不可能走得遠。所以，我們要開始啃那些艱深的大塊頭了嗎？周志華的西瓜書，深度學習花書我都懷着一百二十分的熱情買來，但是在幾個月之後就放在書架裏喫灰了。這當然是我的毅力不濟，但是既然已經如此，除了放棄之外，還有沒有辦法入深度學習這個門呢？
要想徹底理解一個東西，最好的辦法就是自己從零開始把它做出來。而在理論的學習過程中，恰恰缺失的是這個做的過程。由於我主要研究卷積神經網絡，所以後來我一直在網上找各種博客，學習如何從零開始寫一個卷積神經網絡。但是在學習的過程中我發現，雖然大部分博客都實現了這個目的，但是解釋確比較簡略，對於我這種還沒有入門的人來說，看得非常痛苦。比如深度學習中最重要的反向傳播算法，大部分博客都只是給一個結果，至於代碼後面的原理，卻很少能講清楚的。直到後來我看到一本書《深度學習入門——基於Python 的理論與實現》之後，我纔有一種恍然大悟的感覺，算是對探索深入學習的本質有了更多的信心。
因此，我把這個學習的過程記錄下來，這個系列博客大部分是根據《深度學習入門——基於Python 的理論與實現》而來，當然也會補充我自己的一些心得。假如你想深度地理解深度學習，而不想僅限於做一個“調包俠”，那麼這個系列博客應該是對你有所幫助的。當然這個系列博客是我自己學習歷程的一個記錄，它是一個學習的開始，假如你對深度學習好奇，想理解深度學習的本質，乃至於你想更好地用好深度學習這個工具，我邀請你一同加入到深度學習的原理學習中來。寫這篇博客的目的也是爲了和同道者交流，希望各位朋友不吝賜教。假如它對你有所啓發的話，將是我的一大快樂。
在這個系列博客中，第一步的目標就是利用Python不借助任何深度學習框架，寫出一個卷積神經網絡（LeNet-5）。在第一步的學習過程中，把所涉及的知識點都理解透徹並用代碼加以實現——網絡建立、前向傳播、反向傳播、梯度下降、模型訓練、模型測試等等。
在完成第一步的學習之後，相信對深度學習的一系列問題有了直覺上的理解，並且知道深度學習的各部分的實現。在第二步中，我們可以放心地使用深度學習框架，因爲我們已經知道了深度學習框架的內部原理。所以，在第二步中，我們會使用深度學習框架實踐一些更爲複雜的案例（圖像識別、語音識別、翻譯等），並且像論文一樣，進行一定深度地探討。
在第二步進行的同時，爲了實踐和理論兩者不偏廢，我們也會進行理論的學習，這部分的學習包括大部分深度學習所涉及的數學知識——損失函數、鏈式求導、最大似然估計、降維、流形學習等等。我相信理論的學習和實踐是相互助益的。同時，實踐和理論的學習也是無止境的，我希望第二步和第三步的學習可以一直進行下去，這意味着我希望這個系列博客可以一直更新下去，也希望與諸位有志於學習深度學習的朋友共勉。
當然，以上的話是寫給想長期學習深度學習的朋友看的。假如想短期內應用深度學習解決問題的話，上述的方法就不甚妥當了。我覺得假如想短期內實現一些算法，用在自己的項目的話，最好的入門書是入門書是《TensorFlow：實戰Google深度學習框架（第2版）》和《Scikit-Learn與TensorFlow機器學習實用指南》，前者看完基本上能用Tensorflow 寫基本的深度學習模型，後者則兼顧機器學習和深度學習，我認爲它是機器學習領域內最好的一本入門書，有很強的實踐性，同時也兼顧了一些基本的理論。不管學習深淺，我覺得入門是非常重要的，一本好的入門書不僅把知識點講到，而且還給讀者帶來極大的熱情，我認爲上面兩本書都做到了。我也很感謝書的作者，在我學習備受挫折的時候給我了很多引導和信心，讓我現在可以充滿熱情繼續學習下去。
在接下來的三章中，我會用Python語言從零開始構建自己的卷積神經網絡，不借助任何深度學習庫。在編寫完成之後，可以實現一個深度學習算法的基本要素，從而對原理有一個深入的認識。在這三章的介紹中，我們先從最初的感知機開始，再到普通的三層神經網絡，最後到卷積神經網絡。在這個過程中，我也將對深度學習中最關鍵的激活函數、梯度下降、反向傳播、損失函數等一一介紹並實現。在這部分中，我力求簡易，不跳過任何步驟，做到有基本的高等數學知識就能輕鬆讀懂。
民國大師馬一浮在一次書院的講記中曾說過：“天下之道，常變而已矣。唯知常而後能應變，語變乃所以顯常。” 我以爲，無論是深度學習還是其他領域，理論即是常，實踐即是變。讓我們一起學常，知常而應變！