深度学习领域发展仍是火热朝天，众多方向门派百花齐放，CV和NLP领域一直是高手云集，Transformer最近异军突起，卷起一片波澜，其他众多领域，包括：迁移学习、强化学习、集成学习等，也有着各派的掌舵人。显而易见，这一众深度学习大佬无不是各派“武功”的集大成者，都有着自己的一套“深度学习炼丹”秘笈，简单罗列一些，真实看得人眼花缭乱。
学完这些“秘笈”，你必然有一种“神功在手，天下我有”的错觉。自我感觉是，深度学习不就是conv（卷积）、pooling（池化）、optimizer（优化器）、loss function（损失函数）等等吗……依照着“秘笈”构建自己的网络模型：3x3卷积核简单易用，数据特征提取简洁且高效；后面接着池化层，训练数据量瞬间减少一半；这优化器，当然选用Adam，快且准地击中目标；损失函数交叉熵当仁不让。看看自己涉及的这套网络模型，感觉深度真的是简单的很。
这不，当你迫不及待的开启自己深度学习“炼丹”道路，却发现简直是“蜀道难，难于上青天”啊！
啥，卷积不就是模版匹配、特征提取嘛，后面的转置卷积（transposed conv）、空洞卷积（dilated conv）、分组卷积（group conv）等等都是啥呀……
网络模型代码实现又是一堆坑，怎么导入不同格式的数据，怎么定义网络结构，怎么调用优化器和损失函数，怎么可视化网络模型输出结果，怎么调用GPU进行模型加速。。。。。。各种模型模块配置好了，结果一运行，还是报出一堆错误。。。
仅仅是这些问题吗？那你就小瞧深度学习了。
在算法模型推陈出新，模型越堆越深、模块越来越复杂，还是AlexNet那类模型的简单易懂。。。
所以，到底怎样才算是正式入门深度学习呢？
要夯实基础理论，必然需要研究理论的发展起源。咱们从人工智能的发展历史开始研究，逐步进入到机器学习和神经网络的阶段，并且结合计算机视觉和自然语言这两大应用方向具体分析理论知识，这样学习之后，理论知识才能愈发记得牢固，才能应用自如。
掌握知识发展脉络后，进一步研究神经网络和卷积神经网络。这里，主要是反向传播算法、感知机、神经网络算法；结合人类视觉系统的类比，对卷积运行进行详细而又形象的分析阐述。
最后一块理论知识，就是算法优化和调参了，包括：模型的分析和验证、指标的设计和选择、模型偏差的计算、以及模型具体的优化策略选取。
俗话说得好，重剑无锋，PyTorch就是这把“重剑”，有了上面理论知识加持，咱们就应该手握这把“重剑”披荆斩棘。
PyTorch这把重剑简单易用，提供了基本的Tensor对象，以及提供了许多预处理、优化器、损失函数、网络模型模块，这样我们可以顺手拈来，结合TensorBoard，可以高效的可视化咱们“炼丹”的过程和结果。此外，PyTorch还支持并行操作，利用多GPU加速训练。
到这里，咱们武功已经小有成就，需要到真实场景下学习具体的“武术技巧”----也就是在深度学习不同领域中实践学习。
这里，主要给出两个著名的领域：CV领域、NLP领域。
CV领域中的分类、识别都是重要的“武术技巧”，具体有Faster RCNN、YOLO系列、U-Net系列等等。
在实践NLP领域之前，咱们首先需要掌握基本的循环神经网络（RNN）的知识，涉及RNN算法、LSTM模型和GRU的介绍。接着就是NLP中文本分类表示的具体实践。
实践完这两块领域之后，咱们基本具备独立深度学习“炼丹”的武艺了！
深蓝学院开设了《深度学习：理论与实践》课程，深度学习三步走的秘籍一套打包领走！
a.充分理解相比于经典的神经网络，深度神经网络强大的表示学习能力；
b.掌握经典的深度神经网络模型(CNN,RNN,LSTM)思想原理；
c.学会使用深度学习解决实际任务，及解决任务的整体流程；
d.熟悉当下主流的深度学习框架Pytorch，并通过该框架做CV及NLP领域的实践。
