做深度学习，代码肯定是躲不掉的。但这不是让你先把代码学到精通再开始做深度学习。
我的建议是：先跑起来→再看懂→再修改→最后自己做。相对更容易坚持。
1. 搭环境，跑通第一个demo
刚开始不要折腾太复杂的环境，如果不会装Ubuntu、配PyTorch，就找教程，或者租台云服务器。花点钱省时间不丢人。咱们的目标只有一个：跑通一个MNIST或ResNet demo。看到loss下降，你才有正反馈。
这一步我分享一套个人认为非常简单实用的PyTorch实战教程，还有我收集整理的28个深度学习实战项目。其中项目部分还包含31节讲解视频，代码逐行解读。你可以在里面挑自己感兴趣的跟着做，不需要一次全部学完，这有助于你快速上手。
2. 找代码，先跑再读
拿到GitHub项目，不要打开几千行代码就开始从第一行啃。先把环境配好、代码跑通，然后再去找：据在哪里？模型在哪里？Loss在哪里？训练循环在哪里？
先建立整体认识，再去看细节。看不懂很正常，尤其是第一次接触别人写的工程代码。
3. 看代码，用笨办法
看不懂太正常，要学会把代码拆小。不知道一个函数干嘛，就问GPT；不知道tensor怎么变化，就print输入输出的shape；不知道数据怎么流，就打断点跟一遍。你可以从AlexNet、VGG开始，对着代码敲一遍。要牢记咱们的目的是看懂、修改，最后能够自己写深度学习代码。
4. 边用边补基础
NumPy、Tensor、Dataset、DataLoader、Loss、Optimizer、反向传播、模型训练流程，这些是前期真正应该熟悉的。理论也不用一次学完。MLP、CNN、Transformer 先理解基本结构，用到反向传播、注意力机制等内容时，再回头补。
不要等全部学会才开始做项目，因为很容易一直学、一直不开始。
5. 改代码，从缝合开始
这一步很重要。我建议你先从最简单的改动做起：改参数→换模块→加模块→改网络结构→对比实验。后面做科研，就去paper with code搜任务和SOTA，看前50个开源算法，找baseline，搭积木，就是学会在已有Baseline上逐步修改。
这里我已备好366个深度学习即插即用模块合集，里面把常见的注意力、特征融合、卷积、特征提取、轻量化等模块按类型整理好了。
刚开始不需要研究几百个，先搞懂一个模块怎么接进现有网络，再自己动手改。
6. 论文复现，学会主动求助
等你已经能看懂Dataset、Model、Loss、Optimizer和训练流程，再去复现论文，会发现没有刚开始那么可怕。但如果报错实在看不懂，可以直接问GPT、CSDN、B站，或花红包找博士生。描述清楚问题，比自己钻牛角尖强。
总之，学习代码没有捷径，就是多跑、多调、多敲。先跑起来，再看懂；先会改，再谈自己写。
