【说明】深度学习-课程内容安排

好了，下面来说说，深度学习的课程安排，同时也是学习建议与介绍。

一、深度学习的课程内容安排

深度学习是有非常非常多内容的，学不完那么多，那么，到底学到哪里为止？！或者说，学到哪里才算入门？！我给出的目标是-----“自主逛村”！就是学到你去看各种论坛、各种讨论时，能大概明白他们在说些什么~我相信，那时候自己都会认为自己入门了！是的，别人说什么，你听得懂、甚至想上去插上两嘴，那就算是入门了。但是，但是，要做到这一步，也是非常不容易的，因为深度学习的内容实在太多了。

为了达到这个目的，这里一共准备了5部分内容。

Part-1. 上手深度学习

这一部分主要是MLP和其它的基础内容，例如pytorch等等，这些是玩深度学习的基本前提，必须有基本的了解，因此先在《Part1-上手深度学习》中，把这些基本内容简单讲解，并玩耍一下。

不过不会讲得100%全面，因为这类型的内容，是随着学习长期日积月累进行补充的，因此《Part1》的目的是上手深度学习，对最常用、最基本的内容有个基础了解，同时通过各种玩耍，来大概的感知深度学习是什么，如何玩。

Part-2. 细说CNN经典模型

CNN和RNN都是必须学的，它们是深度学习其它内容的基础。

CNN主要应用于图片处理，它是深度学习解决的一个基础问题之一。更更更重要的是，CNN是深度学习中发展较早的一个版块，它的许多技术已经成为了深度学习的通用技术，或者一些思想也是影响深远的。

因此，《Part2》主要是讲解CNN的经典模型，以及各个经典模型的核心思想，通过这些经典模型的学习，来积累下深度学习的灵活玩法和常识。

Part-3. 玩玩RNN常见模型

RNN是用于解决序列预测问题的深度学习模型，例如文本预测就是序列预测的一种。

与CNN不同，不学习RNN也不影响其它深度学习内容的学习。但它仍然是深度学习必学的内容，这主要是：

1. RNN是深度学习太基础的内容了，RNN都不会，都不好意思说自己学深度学习。

2. RNN发展出了Attention(或Transformer、BERT)，要学Transfomer必须先学学RNN。

因此，《Part3》主要讲解RNN的一些处理序列数据的基础常识，以及经典模型的结构与思想。在这一部分内容，会相对的"简单"讲解，这主要是围绕两个目的：懂得RNN的基础模型和使用、为后面跑步进场Transfomer作铺垫。由于核心目的明确，所以不会在这一块上拖泥带水。

Part-4. 跑步进场transfomer

第四部分共包括了三个核心知识：Attention、transfomer、BERT。本来它们还应该归属在RNN之下的，但这里把它单独拿出来作为一个独立部分进行讲解，主要是它太热门和重要了。不同于经典RNN模型，RNN我们只进行粗讲，而这部分内容我们必须独立对它们进行详细讲解。

为什么要细讲呢？

对于Attention，它已经成为一种热门通用技术，现在基本都被用到深度学习各种模型、各种角落里去了。所以必须详细讲解它的意义和本质，这样在其它领域才能更灵活的使用它。

对于transformer和BERT，它们是LLM的前身，所有搞LLM的，都必须搞懂这两个东西，所以必须细讲。

Part-5. 玩玩图片生成

图片生成的发展过程非常非常的漫长，经历了不同的阶段，所以它也包含了许多截然不同的系列模型。

图片生成起源于自编码器，玩着玩着，就出了VAE，就变成了图片生成了。然后又有RBM，DBN，DBM等。再接下来就是GAN对抗神经网络了，现在就一般是扩散模型了。由于图片生成的热度一直不减，毕竟它在实际中可是大有用处的，所以它一路以来的各种模型、相关技术都在深度学习中杠杠有名。如果不学这一块，那就有太多内容缺失了~

因此，《Part5》主要讲述图片生成一路发展以来所涉及的相关模型与技术，学完这一块，对深度学习也就了解得差不多了。(这部分笔者的教程目前还没有完善，在逐步整理中。。。)

结束语

好啦，这就是我们深度学习部分学习内容的安排了，跟着一步一步来，自然就把深度学习搞到手啦，当然，不可能包括所有深度学习的内容，但主要内容都包括在里面啦，需要专攻什么，再去深入研究就可以了。