马上就要进入2022年了！自从2012年AlexNet大放光彩以来，深度学习已经走过了快10年了，实至名归地成为了一门学科，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小白们准备好了一套免费资料（有文档有视频有代码，理论实践齐活儿），请查收！
早在3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，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。
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！可以扫码获得地址。
除此之外，针对有三出版的书籍，我们也会有对应的直播，所有的直播回放都同步到了有三AI的B站账号！
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。
发送“三人行必有AI”即可领取以上资料，当你掌握了上面的3部分资料后，恭喜你，深度学习，你算是达到入门的水平了！但是离真正从事相关业务工作，还差着远呢！
以计算机视觉为例，如果你想开始从事CV方向的研究与应用落地，那就必须从CV的三大基础方向，图像分类、图像分割、目标检测，以及数据的使用开始猛下功夫学习了！
祝大家顺利入门，万丈高楼平地起，拥有一个扎实的基础，以后进阶不用慌，欢迎大家分享转发！
