深度学习该怎么学？理工科自学的通关路线

机械工程专业出身，毕业六年，代码水平停留在大学C语言考了71分。去年十月我一头扎进深度学习ai学习，起因是公司产线要上视觉检测，我想从"被安排"变成"能搭把手"。零碎踩了九个月，今年六月总算独立做完了第一个能跑的模型，现在把这条路线掰开复盘，给同是理工科想自学的你参考。

丑话说前头：这条路不轻松，但也没传说中那么吃数学。我高考数学118，之后再没碰过微积分，就这个底子，走下来了。

深度学习ai学习的第一个坑：数学迷信

原子答案：自学深度学习不需要先啃完数学教材，真正必须会的是三样——矩阵乘法、求导链式法则、概率的基本概念。其余数学知识按项目需要回头查，效率翻倍。我头两个月抱着教材从第一页啃，是全程最亏的一段。

具体讲讲我怎么蠢的。去年十月开工，我给自己列的书单是先看380页的线性代数教材，再看概率论，然后才配碰代码。每天晚上两小时，两个月过去了，教材看到第四章，深度学习一行代码没写，热情先耗掉一半。更难受的是，啃教材时完全不知道哪些章节用得上，感觉在给一场没有考纲的考试复习。

十一月月底我停了，换了策略：直接开代码，碰到看不懂的数学再回去补。结果发现真正卡我的就三块——矩阵乘法（张量运算的底子）、链式法则（反向传播的灵魂）、概率基础（交叉熵那类损失函数要用）。这三块集中补了两周，合计二十来个小时，够用了。什么泛函分析、测度论，根本轮不到你碰。网上把深度学习的数学门槛吹得神乎其神的人，多数自己没动手做过项目。

我的结论是：数学是工具箱，不是门票。需要哪件拿哪件，别把工具箱背下山。

代码从哪开跑：我的三步启动法

原子答案：第一步在云平台跑别人写好的入门脚本，第二步逐行改参数看结果变化，第三步才轮到自己从空白文件写。这个顺序建立"手感"最快，直接抄代码会飘，直接写代码会崩。

第一步我选的是云端笔记本环境，浏览器打开就能跑，省去了装环境的劝退环节——本地装深度学习框架的坑多到能写一本书，新手死在环境配置上的比死在代码上的多得多。第一周我跑通了一个手写数字识别的现成脚本，十行核心代码，看着准确率往上爬，那种"它动了"的成就感是坚持下去的燃料。真心话，没有这个及时反馈，我大概率弃坑。

第二步是改。把批次大小从32改成128，看训练速度和准确率怎么变；把学习率乘个10，看模型怎么崩。改了大概两周，我摸出一些体感：学习率一大，损失曲线就跟心电图似的乱跳；批次一大，单个回合变快但精度微降。这些体感教材给不了，得亲手拧过参数才有。

第三步才是空白文件自己写。我给自己出的题是把之前跑通的脚本默写出来，写不出来的地方就是没真懂的地方。第一遍默写，我卡在了数据加载那块，尴尬。后来又卡在维度对不上，张量的形状从（64，28，28）压到（64，10）中间那步，我盯着报错看了四十分钟。这四十分钟比看十小时视频课学到的都扎实。

第一个正经项目：没做人脸，做了次品检测

原子答案：第一个项目选"小而完整"的，别选"大而唬人"的。我做了个产线零件划痕分类的小项目，一千来张图，两周交付，全程踩了数据不均衡、过拟合、部署卡顿三个坑，每个坑都值回票价。

项目背景说下。我们产线有种铝制零件，表面偶尔有划痕，人工目检一分钟看十几个，漏检率还不稳定。我寻思这不就是现成的二分类任务吗，跟工程师要了历史照片：合格件860张，划痕件140张。问题来了，数据不均衡，模型开局就把所有图判成"合格"，准确率百分之八十六，看着挺高，实则一个划痕都没抓到。

解决用了笨办法：合格件里随机抽一部分做训练集，把比例压到3比1，再给划痕样本做数据增强——随机旋转、调亮度、镜像，硬生生把140张扩充到500多张。这一步做完，召回率从0拉到0.81。当时我在工位上差点叫出声，旁边同事还以为我中了彩票。

过拟合是第二个坑。训练集准确率98%，拿新照片一测掉到79%。我照着教程加了 Dropout 和数据增强的强度，又把模型层数砍了两层，泛化才拉回92%左右。这给我上了一课：小数据集上，模型不是越大越好，越大的模型记性越好，专记训练题的答案。

最后部署时发现单张推理要800毫秒，产线节拍等不起。查了半天是图片预处理没优化，输入图统一缩到224乘224、预加载到内存后，压到110毫秒。能用，够用。这个项目后来真在生产上辅助目检了，虽然只是辅助，但它是我的敲门砖。

九个月时间线复盘：每个阶段花多久

我把九个月的进度拉了张表，投入是每周业余时间的真实记录，单位周。

表里最扎眼的是第一行。如果重来，我会把教材时间砍到三周，省下的五周直接砸进项目。深度学习ai学习这门手艺，说到底是练出来的，不是读出来的。

资源怎么配：跟一个主课就够

自学最大的敌人不是难度，是资源过剩。我收藏夹里躺着七个课程、四本书、三个大佬的笔记合集，真正从头跟完的只有一门吴恩达在Coursera上的深度学习专项课，讲得平缓，作业设计也合理，课程主页在 Coursera 能找到，旁听免费。中文的巩固材料我看的是框架官方文档，硬着头皮读原文档这件事，越早开始越受益。

练习数据别瞎找，公开数据集平台最省心，Kaggle 上从入门到竞赛级的数据管够，我的划痕检测思路就是从上面一个钢材缺陷检测的数据集里偷师的。教程收集癖晚期患者，建议先看我那篇三个G资料减到五份的实践，病能好一半。

还有个私心建议：别囤课。我见过囤了十几个课程链接的人，学完的为零。资源这东西，用掉才是你的，存着只是心理安慰。

几句劝退和反劝退

必须劝退的：指望三个月速成上岸拿高薪的。我九个月才刚摸到门槛，这还是有产线真实需求逼着我学。招聘网站上深度学习岗对工程经验和论文背景的要求摆在那，速成的心思趁早断了。

反劝退的：觉得自己数学不行就放弃的。前面说过了，真实门槛是矩阵、求导链、基础概率，高中底子加两周集中补课能过。真正筛掉人的不是智力，是没人给你正反馈时你还能不能坐住。这一点上，理工科出身的忍耐力反而是优势——我们都熬过金工实习，还怕这个？

学有余力想看方向的，可以先读读深度学习人才市场的真实现状，把预期调准再上路。想清楚学习顺序大框架的，先动手再补原理这篇和我路线一致，可以互相印证。硬件焦虑的去看两台电脑跑深度学习的对比，你会发现自己那台老机器没那么不堪。框架怎么选，实测后的框架对比里没给标准答案，是对的，入门期随便选，顺手最重要。

常见问题

没有GPU能学深度学习吗？

能，头三个月完全够用。云端免费算力跑入门任务绑绑有余，我前八周全在浏览器里度过。等真要训自己的项目，再按小时租云GPU，我那个划痕检测项目总租金不到四十块。先别掏钱买显卡，这是过来人的钱包在说话。

Python要到什么程度才开始？

会列表、字典、循环、函数调用就能起步，numpy的用法可以边跑边学。我起步时的Python水平是"能看懂别人代码"，写到第三个月自然就熟了。专门抽一个月先学Python再学深度学习，没必要，串着来更快。

要不要直接从大模型入手？

不建议零基础直接上手大模型微调。大模型是把底层细节包起来的黑箱，先学经典网络能建立"数据进、特征提、结果出"的完整认知，再看大模型才知其所以然。顺序反了，你会变成只会调API的接口侠。

九个月走完，我对深度学习该怎么学这件事的答案就一句话：让代码先跑起来，让数学追着项目走，让第一个真实需求把你按在椅子上。路线因人而异，节奏自己拿捏，但坑我都替你踩过一遍了。深度学习的底层概念还没理顺的，配合一层层网络在干什么那篇食用效果更佳；坚持不下去的时候，翻翻三个半途而废的坎，你会发现自己不是一个人在崩。

这条路线对你有用的话，转给那个收藏了二十个教程却一直没开工的工科朋友——就从今晚跑通第一行代码开始。你卡在哪一步了，评论区吱一声，我蹲一蹲能答的都答。