搞CNN的工程應用有一段時間了，特別是在計算機視覺領域。分享下我自己的CNN學習歷程。

深度學習到底是啥？
簡單的說，深度學習就是模仿人腦結構，像人一樣學習（當然，也有所謂的專家不同意這個觀點）；它處理問題的路徑是從具體到抽象、從部分到整體。像人的認知過程一樣逐層進行，逐步抽象。最大的特點就是網路自己學習特徵、組合特徵，而不需要人工參與。

入門路線
1、首先在自己電腦上安裝一個開源的框架，像Tensorflow、caffe這樣的，先玩一下這個框架，把框架用起來
2、然後跑一些基礎的網路，由淺入深

3、如果有條件的話，整個有GPU的電腦，GPU跑的要快很多，跟CPU比起來

詳細點說，我認為可以按以下步驟去學習它：
 

第一個階段：
1）、實現並訓練只有一層的softmax迴歸模型用於手寫數字圖片分類；
2）、實現並訓練含三個全連線層的模型用於手寫數字圖片分類；
3）、實現並訓練含三個卷基層+池化層的模型用於手寫數字圖片分類；
階段目的：搞懂一些機器學習、深度學習的概念，找個開源工具並用起來，嘗試著訓練一些簡單的網路，試試加入一些常見的trick去除錯網路。

第二個階段：
訓練一些經典的CNN分類網路，熟悉一些常用資料集，熟悉下CNN分類網路的發展歷程，一些trick的更替：
1）、Lenet，1986年
2）、Alexnet，2012年
3）、GoogleNet，2014年
4）、VGG，2014年
5）、ResNet，也有人稱呼殘差網路，2015年
這個幾個網路是都是深度學習在影象領域的經典之作，在pc上實現了它們，訓練它們，同時你又仔細推敲看看他們的網路結構。
階段目的：在實際當中獨立使用它們，也可以結合傳統的影象處理技術使用它們。一句話：
 
你已經入門了

學習的幾個誤區：
1、死嗑線性代數、概率論、微積分這些理論知識。
     使用深度學習的目的是處理實際工程問題，最重要的是怎麼用。一開始不會用就去推導這些公式、求原理，有點捨本逐末。另一個重要的原因是，複雜的公式、原理會把初學者搞暈的，打擊初學者的積極性，而且理論不和實踐結合，很難理解；所以建議學用結合、邊用邊學。
2、比較哪種網路好
    比較哪個深度模型最優是沒有意義的。因為沒有一種模型是萬能的，得根據具體資料集的型別特徵、具體使用場景來決定採用什麼模型。
3、一開始就自己設計網路
   深度學習各個應用領域都有很多經典的網路，都經過大量驗證過的，一句話，沒啥問題，用起來效果挺好。我一般拿過來用，改改輸入， 調調引數，在已有模型的基礎上，微調微調即可。