当然能。今天就和大家分享一下我自己总结的一条学习路径。

另外，我自己也整理了两份比较适合这类情况的资料：一套深度学习实战教程，项目部分有31节视频逐行讲代码；还有一套Google的深度学习调优资料，比较适合算力有限、想减少无效实验的人。需要可无偿获取，后面会结合具体场景讲。

长按添加小享，回复【代码教程】无偿获取

1、刚开始学，GPU问题不用急

MLP、CNN、LeNet这类基础模型，对算力要求并不高，普通电脑CPU就能跑。这个阶段最重要的还是先把数据怎么进模型、Loss怎么算、怎么反向传播、参数怎么更新这些东西搞明白。

你甚至可以先用NumPy自己实现一个简单的网络，再逐渐过渡到PyTorch。而到了PyTorch，很多刚开始做深度学习的人，真正的问题就不是GPU，而是没有一套跑通代码的实践路径。

所以我自己整理了一套深度学习实战教程，里面有28个实践项目，项目部分还有31节视频逐行讲代码。可以挑自己感兴趣的跟着做，不需要一次全部学完。

2、真正做实验，不要什么都从零训练

现在很多任务都有成熟的预训练模型，可以直接拿来做迁移学习，或者使用LoRA、量化、梯度累积等方法降低训练成本。

核心思路很简单，能复用的就别重新训练，能小规模验证的就别直接跑完整实验。

尤其是刚开始做自己的Baseline时，先把数据和代码流程跑通，比直接追求完整训练更重要。

如果确实需要GPU，我更建议租。本地负责写代码、处理数据、跑小规模实验；真正需要大量计算的时候，再把代码放到云端GPU上。

这样还有一个好处：不把GPU当成开发环境，而是当成计算资源。代码最好在本地就把Bug解决得差不多，确认流程没问题后再上GPU。

另外一定要学会保存Checkpoint和实验记录。云端机器不是自己的，随时可能需要换环境，能断点续训非常重要。

这个才是没GPU之后最应该培养的能力。如果算力有限，更应该在实验前先想清楚：我要验证什么？为什么这样改？预期结果是什么？

先用小数据或者短训练做验证，确定方向以后，再把关键实验完整跑一遍。

这里我比较推荐Google的深度学习调优教程。它从模型性能优化的角度，把模型架构、优化器、Batch Size、初始配置、训练步数、训练管道等值得关注的因素系统梳理了一遍。对GPU有限的人来说，先学会怎么减少无效实验更实际。

最后，深度学习研究并不等于必须从零训练一个大模型。如果实验室长期没有GPU，可以优先考虑一些对算力要求相对可控的路线，比如迁移学习、参数高效微调、数据处理、模型评测、推理优化等。

具体怎么选，还要结合自己的任务、数据和研究目标。

所以没GPU不代表不能做深度学习，真正要做的是重新规划实验流程，把有限的资源用在最关键的验证上。