外观
学习路径：三条路线
开门见山：这个站点有 50 多页内容，它是一座可以按需取用的图书馆，更是一张可以按顺序展开的地图——但绝不是需要通读的书。没有目标地"从第一页看到最后一页"，两周后你会忘掉大半，还会被内容密度劝退。正确的用法是：先选定一条路线，只读路线要求的内容，其余页面留给未来的你。如果还不确定深度学习是否值得投入，先读什么是深度学习；想先看清整个项目的六环节全景，看深度学习总体架构解剖。
全站页面按内容性质可以分成四类，理解了这四类，你就知道读某页时该用什么心态：
- 建立概念：guide 与 concepts 栏目，回答"这是什么、为什么"，需要精读；
- 解释机制：case-studies 栏目，回答"这个架构在真实任务上如何工作"，需要精读并配合动手复现；
- 提供证据：papers 栏目，回答"论文里到底说了什么、证据是什么"，需要批判性阅读；
- 改变行为：practice、career、resources 栏目，回答"我该怎么做、怎么说、查什么"，需要实践而非背诵。
下面给出三条路线。先做一个快速判断：目标是在数周内拿到算法岗 offer 的，走路线一；目标是打牢地基、能独立读论文和复现项目的，走路线二；已经在做项目、只是经常卡住的，直接跳到路线三的索引表。
一、路线一：求职冲刺（约 2 周）
适用人群：已有 Python 与基础机器学习背景，目标是在 2-3 周内达到"能讲清原理、能写 demo、能应对面试"的状态。它以 career 模块为主干线，但前 8 天先把概念地基补齐——面试问的原理不会因为你是冲刺就变少。每天建议投入 4-6 小时。
| 天数 | 内容 | 今日验收标准 |
|---|---|---|
| 第 1-2 天 | 什么是深度学习、神经网络基础 | 能向非技术朋友讲清"深度学习在干什么"；能手画单层前向传播计算图 |
| 第 3-4 天 | 反向传播与自动微分、优化与梯度下降 | 能手推两层网络的反向传播；说出 SGD / Momentum / Adam 的异同 |
| 第 5 天 | 损失函数与输出层、过拟合与正则化 | 说出分类/回归各自的损失选择；列举 4 种以上正则化手段 |
| 第 6-7 天 | CNN 与计算机视觉、Transformer 架构 速览 | 能算卷积输出的参数量；能解释自注意力的 QKV 各自是什么 |
| 第 8-10 天 | 完成一个端到端 demo（从零构建一个深度学习项目 或渐进式教程：三版跑起来） | 独立训练并评估一个模型，把代码推到 GitHub |
| 第 11-12 天 | JD 知识点拆解、能力对标：简历该突出什么 | 对照 JD 清单 写出自己的 5 条优势与 3 个缺口 |
| 第 13-14 天 | 面试题库 模拟练习 + 查漏补缺 | 不看资料能回答 80% 的高频题；录一段自我介绍并回听修改 |
两周的总验收标准有三条：一个可展示的项目（能讲清数据、模型、损失、评估四件事）；对 JD 清单中约 70% 知识点达到"概念级掌握"；一份针对目标岗位改写的简历。岗位版图与完整攻略见延伸阅读中的 career 模块导读。
给冲刺者的提醒
冲刺路线牺牲了深度，代价是知识有"知识面"没"根"。如果你面试时被问到"为什么这么设计"，追问两三层的深度就够了，不必陷入每一页的细节——但至少要把训练配方与调参通读一遍，因为"损失不降怎么办"是最高频的面试场景。
二、路线二：系统精进（约 8 周）
适用人群：想把深度学习真正学扎实的人，每周能投入 10-15 小时。这条路线按依赖顺序展开——每周的内容都建立在前几周之上，不要跳周。如果时间紧张，宁可拉长周期也不压缩单周内容。
| 周次 | 主题 | 内容与入口 | 本周检验标准 |
|---|---|---|---|
| 第 1 周 | 数学地基 | 数学基础速查、神经网络基础、反向传播与自动微分 | 独立手推三层网络的梯度；理解向量/矩阵求导规则 |
| 第 2 周 | 训练配方 | 损失函数与输出层、初始化与归一化、过拟合与正则化，以及训练配方与调参 | 能说出"损失不降"的 5 个排查方向；讲清 BN 与 LN 的区别 |
| 第 3 周 | 数据与评估 | 数据与数据工程、深度学习评估与实验、评估实践 | 给一个任务能设计数据方案与评估指标；能识别数据泄漏 |
| 第 4 周 | 视觉与序列 | RNN 与序列建模、Transformer 架构（配合 CNN 内容理解归纳偏置差异） | 能对比 RNN / CNN / Transformer 三种结构各自的取舍 |
| 第 5 周 | 生成与表征 | VAE 与 GAN、扩散模型与生成式 AI、表征学习与预训练、生成式模型 | 讲清三类生成模型的原理差异；能解释"预训练-微调"范式 |
| 第 6 周 | 前沿案例拆解 | 大语言模型（LLM）、多模态模型，另按兴趣选 图神经网络、语音与音频 等 | 能画出 LLM 预训练到对齐（微调/RLHF）的流程框图 |
| 第 7 周 | 论文精读 | 先读阅读路径与论文地图，再精读经典论文精读中的 2-3 篇 | 每篇能写出"问题-方法-证据-局限"四栏笔记 |
| 第 8 周 | 项目整合 | 作品集项目、MLOps 与模型部署 | 完成一个可部署的完整项目，并写好 README 与实验记录 |
八周结束时你应当具备三种能力：独立读懂大多数 2018 年之前的论文；从零搭出合理基线并系统调优；对"什么场景用什么模型"有稳定判断。保持手感的方式是把前沿进展和常见陷阱与反模式纳入每周例行阅读。
三、路线三：案头速查
适用人群：已在做项目，遇到具体问题不知道去哪查。这是一张"问题 → 页面"索引表，收藏本文即可随时回来。
| 你遇到的问题 | 直接去这里 |
|---|---|
| 损失不降、训练发散、梯度爆炸/消失 | 调试与诊断、优化与梯度下降 |
| 过拟合：验证集远差于训练集 | 训练配方与调参 |
| 不知道选什么架构做图像 | CNN 与计算机视觉 |
| 处理文本、序列、长上下文 | 注意力机制 |
| 要微调或调用大模型 | 大语言模型（LLM） |
| 模型要上线、上云、监控 | MLOps 与模型部署 |
| 数据太脏、样本太少、类别不均衡 | 数据与数据工程、数据集与工具档案 |
| 公式、数学符号看不懂 | 数学基础速查、术语表 |
| 效果不错但说不清为什么 | 可解释性与公平性 |
| 准备面试、跳槽 | 面试题库、JD 知识点拆解 |
| 想做一个拿得出手的项目 | 作品集项目、从零构建一个深度学习项目 |
| 不知道论文怎么读 | 阅读路径、阅读纪律与 FAQ |
| 框架选型（PyTorch / JAX / 推理引擎） | 框架与工具怎么选 |
| 模型效果如何科学评估 | 评估实践、深度学习评估与实验 |
这张表覆盖了最常被问到的 14 类问题。如果这里没有你的问题，还有两个兜底入口：DL 设计原则（从第一性原理推演该怎么做）和常见陷阱与反模式（前人踩过的坑清单）。
四、时效性说明
本站的"保鲜"策略：概念、历史、原理类页面基本长期有效；但涉及技术栈、模型分数、岗位与工具的部分（如 JD 清单、精选资源清单、前沿进展）会标注 frontmatter 中的 dataAsOf 时间戳，以页面标注的日期为准，阅读时注意甄别。三条路线的时长估算基于"每天可投入时长的中位数"，你可以按自己的节奏线性伸缩——路线一压缩到 10 天或拉长到 30 天都成立，关键是守住验收标准，而不是死磕天数。
另外提醒一句：任何路线图都只是"最小可行路径"。真正的竞争力来自路线之外的两件事——亲手把代码跑通（渐进式教程：三版跑起来提供了一个由浅入深的跑道）和读一手论文（路线二第 7 周只是起点）。当你的问题开始超出这张地图时，说明你已经进入"自己画图"的阶段了——那才是学习的开始。
延伸阅读
- 深度学习总体架构解剖——理解"一个问题 → 一套完整流程"的全景
- DL vs ML vs AI vs 传统方法——先厘清概念边界再选路线
- 深度学习演进简史——把各个主题放进时间线里理解
- 论文地图——系统精进后半程的"藏宝图"
- 术语表——所有路线上随手可查的词典
- career 模块导读——求职冲刺路线的主干线入口
参考资料
本页是站点导航页，无独立学术引用；路线所依据的正文均已链接在上文。补充两个值得长期关注的公开学习资源：
- Goodfellow, Bengio, Courville. Deep Learning（MIT Press 2016）——系统精进的可选补充教材
- fast.ai. Practical Deep Learning for Coders——"先动手后讲原理"路线的成熟参考