自从2012年AlexNet大放光彩以来，深度学习已经走过了快10年了，给学术界和工业界都带来了翻天覆地的变化。世界各国争先恐后，不断推出人工智能相关的政策，力争在新一轮技术革命中继续引领世界！
巨头早早布局，人工智能初创公司风起云涌，创造了一大批就业岗位！
人工智能是一门自然科学与社会科学深度融合的综合性学科，知识更新日新月异！
随着社会智能化程度不断加深，我们提出了“三人行必有AI”的学习宗旨！还有什么理由不及早拥抱技术呢？
从事这一行需要多年系统性地学习，对于初学者来说，选择一条专业而高效的路线图是非常重要的。作为一个多年专注于输出原创内容的平台，我们早就为AI小白们准备好了相关的免费资料（有文档有视频有代码，理论实践齐活儿），希望大家能够循序渐进地进行学习，而不是试图跳跃式成长，给自己的知识体系造成很多的缺陷。
早在4年前，我们就开始更新深度学习基础理论文章并发布了相关学习路线图和指导手册《深度学习视觉算法工程师成长指导手册》。
本手册以深度学习视觉算法工程师为例，借鉴广泛采用的评级机制，分为4个大境界，即白身，初识，不惑，有识。每一个境界都由浅入深提供10多篇文章对核心知识点进行梳理和展望。
1 白身境界：需要修行的内容包括：
(1) 熟练掌握Linux及其环境下的各类工具的使用
(2) 熟练掌握Python及机器学习相关库的使用
(3) 掌握C++等高性能语言的基本使用
(4) 知道如何获取和整理，理解数据
(5) 掌握相关的数学基础
(6) 了解计算机视觉的各大研究方向
(7) 了解计算机视觉的各大应用场景
(8) 了解行业的优秀研究人员，知道如何获取最新的资讯，能够熟练阅读简单的技术资料
2 初识境界，需要修行以下内容：
(1) 熟练掌握神经网络
(2) 培养良好的数据敏感性，知道如何正确准备和使用数据
(3) 至少熟练掌握一个深度学习框架的使用
(4) 熟悉深度学习模型的基本训练和调参，网络设计
(5) 掌握深度学习各项核心理论技术
(6) 能使用合适的优化准则熟练评估自己的算法
3 不惑境界，需要修行以下内容：
(1) 熟练分析数据和模型对一个任务的影响
(2) 对于新的任务能够快速寻找和敲定方案
(3) 能够优化模型到满足业务的需求，实现工业级落地
(4) 了解行业的最新进展，并在某些领域有自己的独到理解
4 有识境界，深度掌握自己的研究领域，对自己暂时不熟悉的领域也能快速地触类旁通。无论是眼界，学习能力，还是学习态度，必须达到较高水平。
下面是手册的PDF预览图，分章节带标签，非常适合打印出来随时翻阅参考学习！
相关的文章链接，请大家进入公众号的菜单-人才培养-修行之路，即可找到汇总页面。
为了加强初学者入门学习的效果，应阿里云邀请，2021年3月份有三AI与阿里天池联合推出了免费的《深度学习基础课程》，课程内容包括人工智能与深度学习发展背景，深度学习典型应用，卷积神经网络，循环神经网络，生成对抗网络，深度学习开源框架等内容，目前已经完结，有超过8000注册用户在线学习。
本课程是深度学习的基础课程，面向所有在深度学习方向零基础的朋友，只要有大学数学，Python编程等基础，都可以听懂课程。一次听不懂，多听几次就行啦。
本课程为视频课程，每次时长根据课程的难度分为20分钟～60分钟不等，并且按照模块进行了划分，每一个模块内有多个小节的课程，比如深度学习优化基础有6期。
注册阿里云账号后就可以打开课程链接进行学习了，课程链接如下：
https://tianchi.aliyun.com/course/279
课程完整的目录如下：
第1课：人工智能简介
第2课：深度学习崛起背景
第3课：深度学习典型应用与研究方向之语音处理
第3课：深度学习典型应用与研究方向之计算机视觉
第3课：深度学习典型应用与研究方向之自然语言处理
第3课：深度学习典型应用与研究方向之推荐系统
第4课：神经网络（上）
第4课：神经网络（下）
第5课：卷积神经网络（上）
第5课：卷积神经网络（下）
第6课：深度学习优化之激活函数与参数初始化
第6课：深度学习优化之标准化与池化
第6课：深度学习优化之泛化与正则化
第6课：深度学习优化之最优化
第6课：深度学习优化之优化目标与评估指标
第6课：深度学习优化之数据增强
第7课：深度学习框架之Pytorch快速入门与实践
第7课：深度学习框架之Caffe快速入门与实践
第7课：深度学习框架之Tensorflow快速入门与实践
实践课1：从零完成人脸表情分类任务
第8课：循环神经网络之RNN及其改进
第9课：图神经网络基础
第10课：模型设计之网络宽度和深度设计
第10课：模型设计之残差网络
第10课：模型设计之分组网络
第10课：模型设计之卷积核设计
第10课：模型设计之注意力机制
第10课：模型设计之动态网络
第11课：深度生成模型基础
第11课：深度生成模型之自编码器与变分自编码器
第11课：深度生成模型之GAN基础
第11课：深度生成模型之GAN优化目标设计与改进
实践课2: 从零使用GAN进行图片生成
第11课：深度生成模型之数据生成GAN结构与应用
第11课：深度生成模型之图像翻译GAN结构与应用
第11课：深度生成模型之GAN的评估
实践课3: 基于GAN的人脸图片超分辨
这是一门非常适合初学者夯实自己的深度学习理论基础的课程！
详细介绍请大家阅读：【完结】有三AI&阿里云的深度学习基础课程暂时完结，欢迎扩散学习
PyTorch是深度学习的主流框架之一，新手入门相对容易。为了帮助初学者解决PyTorch入门及实践的问题，有三AI推出《深度学习之PyTorch-入门及实战篇》课程，课程将算法、模型和基础理论知识进行有机结合，结合CV的实战项目，帮助大家掌握PyTorch框架的基础知识和使用方法，带大家较平稳地入门深度学习领域。让你以最短的时间掌握PyTorch框架的基础知识并进行代码实践。
课程大纲主要包含PyTorch简介、PyTorch环境配置、张量简介、PyTorch中的层结构及初始化、PyTorch中的损失函数、PyTorch中的优化器、PyTorch中的数据读取、PyTorch中的模型加载与保存、基于PyTorch的人脸表情图像分类等内容。
课程采用理论加Pytorch实战的方式进行讲解，在代码实战阶段，课程还会提供实战所需的代码和数据集，并且会对代码进行逐行讲解，让你对代码有个深刻的理解。下面是课程大纲：
数据是深度学习系统的输入，对深度学习算法的落地起着至关重要的作用！如果没有超越百万级图片数量的ImageNet数据集的整理提出，深度学习计算机视觉算法的落地进程肯定会被推迟！
随着各类基础CV算法的成熟，决定模型能否上线的关键，很大程度上取决于数据的质量以及数据是否被正确地使用！你和大厂差的往往并不是算法的先进性，而是数据的多少！然而这一点很容易被忽视，尤其是被缺少工业界实战经验的学习者忽视。
本课程内容包括数据的获取，数据的整理，数据的标注，数据增强，数据的分析等领域，覆盖了深度学习中数据使用的各个方向，大纲如下：
详细介绍请大家阅读：【视频课】永久免费！3小时快速掌握深度学习CV数据使用核心内容
深度学习的核心是什么，当然是“模型”，从CNN到GAN，再到Transformer，正是各类深度学习模型结构的快速发展才使得当前AI技术进展日新月异，其中模型的设计是整个深度学习领域的通用基础，不管是从头设计自己的神经网络，还是对已有模型进行优化获得更高的任务指标，更快的运行速度，获得更小的模型体积，都需要掌握各类网络的设计技巧，是深度学习算法工程师进阶的难点及必学点！
为了让大家能够更加系统更加深入的掌握模型设计相关的基础，有三AI推出了《深度学习之模型设计-经典网络篇》课程。本课程内容聚焦于经典的CNN模型设计，下面是课程大纲脑图：理论部分内容包括4节：第1节讲解经典浅层卷积网络设计，第2节讲解基于网络深度的模型设计，第3节讲解经典模型的宽度设计思想，第4节讲解基于网络宽度设计的模型。
实践部分内容包括2个：包括基于ResNet的垃圾分类实战，基于Inception的花卉分类实战。
今年我们增加了很多实战类课程，下面是一些免费的内容分享。
1 SimpleNet人脸表情识别实战
本课程为基于Pytorch的人脸表情识别实战，我们会详细解读从头获取数据，搭建模型，训练模型与测试模型的完整流程，对本免费课程感兴趣的话，扫描下方二维码了解详情：
详细介绍请大家阅读：【项目实战课】人人免费可学！基于Pytorch的图像分类简单任务数据增强实战
3 ResNet垃圾分类实战
本次内容是基于Pytorch的ResNet垃圾图片分类实战，讲解内容包括项目介绍，数据处理，模型搭建，模型训练，模型测试，对本免费课程感兴趣的话，扫描下方二维码了解详情：
5 BCNN鸟类细粒度分类实战
本次内容是基于Pytorch的BCNN鸟类细粒度图片分类实战，讲解内容包括项目介绍，数据处理和读取，模型搭建与训练，对本免费课程感兴趣的话，扫描下方二维码了解详情：
6 SimpleNet人脸嘴唇分割实战
本课程为基于Pytorch的人脸嘴唇语义分割实战（Semantic Segmentation），我们会解读图像分割基础，数据准备与读取，模型搭建，模型训练与模型测试的完整流程，对本免费课程感兴趣的话，扫描下方二维码了解详情：
8 基于分类任务的经典知识蒸馏框架实战实战
本次内容是基于Pytorch的图像分类经典知识蒸馏框架实战，讲解内容包括项目原理，模型搭建与训练，对本免费课程感兴趣的话，扫描下方二维码了解详情：
9 基于TextCNN的文本分类实战
本课程为基于Pytorch的TextCNN的文本分类实战，包括项目背景介绍、模型选择（代码）、数据读取与预处理（代码）、模型训练与推理（代码）、总结与展望。对本免费课程感兴趣的话，扫描下方二维码了解详情：
更多免费直播回放，可以在我们的B站账号进行观看，大家扫码关注起来！
学习需要理论配合实战，现如今开源生态非常完善，深度学习相关的开源框架众多，光是为人熟知的就有caffe，tensorflow，pytorch/caffe2，keras，mxnet，paddldpaddle等，选择1个开源框架快速上手是实践的第一步。
要掌握好一个开源框架，我们要学会从自定义数据读取接口，自定义网络的搭建，模型的训练，模型的可视化，模型的测试与部署等全方位进行掌握。一般官方以MNIST数据接口+预训练模型的常见案例形式是远远不够的，因此我们采用了重新选择了一个任务，提供了13个开源框架的完整学习实践，让大家能够掌握以下内容。
(1) 熟练掌握不同任务数据的准备和使用。
(2) 熟练掌握模型的定义。
(3) 熟练掌握训练过程和结果的可视化。
(4) 熟练掌握训练方法和测试方法。
使用方法整理成了150页的《深度学习开源框架指导手册》，如下：
配套了GitHub项目，地址为：https://github.com/longpeng2008/yousan.ai
除了上述开源框架的使用之外，有三所有书的配套代码也在该项目中，就留给读者自己去挖掘吧。
为了便于大家提前了解课程内容，我们的每一门课程都设有免费试看，以图像分类为例进行介绍，图像分类课程共有11章节的课程，其中将近一半的内容可以免费试看。
同时欢迎在深度学习领域有沉淀积累的同学加入有三AI生态，让更多人受益！
最后，我们还是要补充一句话：本文所介绍的所有课程均是免费课程，请大家自行学习。遇到了疑问，可以到我们的相关技术群进行讨论，但我们没有义务给所有人进行答疑，更没有义务教会大家使用Linux，Python，C++等前置知识，请相互尊重。如果学习过程中感到吃力，请自行学习相关基础技能。
