一、什么是深度学习
1.普通程序：人写死规则，机器照着执行
特点：规则明确，不会自己学习
2.机器学习：人不给死规则，给数据，让机器自己找规律
特点：从数据里学习，能处理复杂，模糊的事
3.深度学习：机器学习的分支，复杂+缺乏可解释性
二、了解深度学习组成模块
六大模块：所需库+参数解析+模型+训练+评估+主函数
1.所需库模块（requirements.txt）
import XXX
import XXX as YYY
from XXX import ZZZ
2.参数解析模块（调参侠，第三优化部分）
不是要学习的参数，而是针对训练过程或者程序运行所作的一些限制性超参数
data-dir、batch_size、epochs、lr、checkpoint、train、download、visualize、limit-train、
num-workers、device等等
3.模型模块（第一优化部分）
4.训练模块（第二优化部分）
（1）损失函数：评分标准，明确什么是好的表现
（2）优化器：训练教官，负责指导与改进
（3）训练循环：训练周期，循序渐进地提升技能
5.评估模块（领域内统一）
根据任务场景选择合适的评估指标
6.主函数模块（确定程序执行流）
类似与C语言的main()函数
三、了解深度学习常用框架和模型
基本所有任务可以使用框架+模型进行描述
1.框架
（1）将框架理解为“巨大的”“完整的”库函数
（2）不同框架设计理念不同
2.一句话描述主流深度学习框架
PyTorch 以动态图为核心，语法贴近 Python 原生写法，上手简单、调试灵活，更适合科研探索和快速原型开发；
TensorFlow 原生侧重静态图，工业级部署工具链完善，对大规模训练、多平台落地支持更好，更适配生产环境需求。
2.模型
（1）基础模型就是适应不同数据类型的贪心函数/优化器
（2）基础模型只有那几个，更多的都是改进
3.一句话描述最基础的深度学习模型
MLP（全连接神经网络）
最基础的神经网络，由输入层、隐藏层、输出层全连接组成，适用于简单分类与回归
CNN（卷积神经网络）
利用卷积提取局部特征、池化降维，主要处理图像，具有权值共享和局部感受野特性
RNN（循环神经网络）
适用于处理序列数据，但容易梯度消失
LSTM（长短时记忆网络）
用遗忘门、输入门、输出门解决长序列依赖问题，适合文本、时序。
Transformer
完全基于自注意力机制，并行处理序列，是现在所有大模型的基础架构
AutoEncoder
无监督特征学习，通过编码压缩，解码还原，适用于降维、去噪、特征提取
GAN（生成对抗网络）
由生成器和判别器对抗训练，让生成数据逼近真实分布，是生成模型的基础
四、参考资料（优先完成算法思想学习）
1.吴恩达-机器学习-前37讲-2天（算法思想）
2.李宏毅-深度学习-前63讲（37+26）-5天（算法思想）
3.小土堆-pytorch-7天（代码实现）
4.刘二大人-pytorch-14天（代码实现）