3、深度学习入门指南：框架选择、前置知识与学习路径

深度学习入门指南：框架选择、前置知识与学习路径

1. 深度学习框架选择

在深度学习实践中，选择合适的框架至关重要。深度学习框架能处理模型实现中的底层细节。目前有众多框架，如Caffe、Theano、MXNet、Torch、TensorFlow和PyTorch等，此外还有Keras和TensorRT等专用框架。

Keras是高级API，可简化部分框架的编程；TensorRT是推理优化器和运行时引擎，能运行多种框架构建和训练的模型。截至目前，最流行的成熟框架是TensorFlow和PyTorch，其中TensorFlow现在原生支持Keras API，MXNet也是重要框架。

选择框架时，可根据个人喜好或便于与他人协作来决定。本书提供了TensorFlow和PyTorch的编程示例，TensorFlow示例在书中，PyTorch示例及详细说明可在网站获取。

2. 深度学习学习的前置知识

深度学习融合了多个领域的技术，以下是学习所需的一些前置知识：
- 统计与概率论 ：许多深度学习问题没有精确答案，概率论是核心主题。例如图像分类时存在不确定性，模型可能给出不同类别物体存在的概率。学习本书不要求深入的统计和概率论知识，但需能计算算术平均值、理解概率基本概念，了解方差和随机变量标准化会有帮助。
- 线性代数 ：深度学习的基本构建块基于变量的加权求和，涉及大量加法和乘法。线性代数能简洁描述此类计算，本书常出现包含向量和矩阵的公式，计算涉及点积、矩阵 - 向量乘法和矩阵 - 矩阵乘法。若未接触过这些概念，需学习相关知识，第1章有相关介绍。
-