作者：黄璞
链接：https://www.zhihu.com/question/41667903/answer/109611087
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
前言：其实TensorFlow本身仅仅是一个分布式的高性能计算框架，想要用TF做深度学习，仅仅学习这个框架本身是没有太大意义的。因此应该将TF看作技术路线中的一个核心点，去掌握整个开发所需要的必要技术，知识。尤其是深度学习的基本原理，这对日后搭建模型，模型调参以至提出新的模型都是极其有用的。
第一篇学习之路写于2016年6月份，时过境迁，特别是深度学习这个日新月异的领域，隔了那么久，不得不说已经有些过时了，并且随着学习的深入，越发觉得之前的学习之路过于笼统，加之TensorFlow发布了1.0正式版，因此整理一下，再次写一篇。这次在内容的结构上将会大体分为三种，首先是公共基础部分，这个无需多解释。另外，一个是偏向应用性质的快节奏（fast peace），针对不想也没必要深入了解理论知识希望尽快应用的人群，另一种是偏向研究性质的人群（hard way），针对例如研究生之类希望深入理论知识的人群。当然，hard way的前提是fast peace。但是写法上，并没有分别写，因为某种意义上这两种是相互包含的，分开写会显得冗长与重复，因此采用粗体标记提示特定部分是属于哪一种。
有些技术在知乎是不适合公开讨论的，因此还是要贴上自己这篇博客的链接：新手向的TensorFlow学习之路2（Learning paths 2）
1. 稳定的网络【公共基础】：这是个不是技术的技术，TensorFlow毕竟出自Google，官方文档访问不是很稳定。
2. Github【公共基础】：这是个开源程序的网站，Linux内核就在这个网站托管。Github的核心是Git，一种版本控制系统，已经逐渐取代SVN。这个网站托管了很多高质量的或者说世界顶尖的开源项目，比如TensorFlow。学习一下这个网站如何使用，注册个账号，学习一下Git的使用方法。这个网站有自己的tutorial和guide。而且后期自己的项目管理多半也会用到git，所以，早点学习肯定是有好处的。
【fast peace（即简略的快节奏教程，下同）】：
1. Git 参考手册（推荐）
【hard way（即大而全的完整或者正式教程，下同）】：
3. Git Tutorial
3. Python【公共基础】：这是一种非常流行的脚本语言，庞大的第三方库可以快速写出短小容易理解的代码，而且也是TensorFlow的推荐开发语言。不仅仅是对于TensorFlow这门语言很重要，对于整个机器学习，应用层面放眼望去基本就是Python与R的天下了，而R更偏向与统计学领域，深度学习Python简直是红透了半边天，当然我是针对初学者，如果已经掌握了其他语言，例如Java，C++，那么其实理论上而言可以不用掌握Python，选择自己熟悉的语言的API即可。但是对于TensorFlow，只有Python的API最全面，文档社区也最完善（截至2017年3月），当然随着TensorFlow的发展都会完善，可是现在就要用呀：）。而且，最重要的是，对于已经掌握其他语言的人来说，学习Python不会花费太久的。并且，Pytohn写起来短小精悍，易于理解，很适合这种用来搭架子调用框架而且不怎么需要考虑效率的场景（一般来讲，最需要效率的部分框架会用C++实现，Python仅仅是作为顶层去调用）。另外，推荐学习Python3，这才是Python的未来，2.7的支持在2020年会停止。而且，后面会知道的，对于Python2.7向3的支持很多情况仅仅是import几个future包。
【fast peace】：
1. Tutorial – Learn Python in 10 minutes
【hard way】：
1. 廖雪峰的Python教程
4. Linux【公共基础】：TensorFlow的主要运行平台之一就是Linux，但是正式版对Windows的支持日趋完善，真的没时间学习Linux平台可以先在Windows上运行TensorFlow。不过，学习Linux真的用不了多久（当然是指做开发环境日常日用，立志做系统管理员还是要下一番功夫的）。推荐Ubuntu 16.04 LTS，这不仅是“新手友好”的发行版，也是Google很多产品的官方支持版本，官方支持就会带来很多便捷以及少一些”坑“。LTS（长期支持版本）的加成保证了系统的稳定（稳定不仅指运行稳定，更是指软件环境，例如python不会突然默认变成3.6，gcc不会突然就默认变成6，插一句，之所以这么说，是因为以前用的是Arch，装了TensorFlow一直跑的很开心，直到有天突然发现跑不起来了，原来是Arch升级了一下Python的默认版本变成了3.6了XD。）
【fast peace】：
1. 我的知乎回答
【hard way】：
1. UNIX Tutorial for Beginners
3. Linux工具快速教程
5. 深度学习–概念与基础：
【fast peace】（偏向概念介绍，introduction）：
1. 深度学习wiki
【hard way】（偏向概念解释，数学推导，基本原理）：
两本经典中的经典书籍：第一本倾向于理论阐述，第二本则是倾向于直观解释。
2. Neural Networks and Deep Learning
第三本则是代码应用向的，使用Theano从零搭建各种常见的网络结构，虽然是Theano，但是基本思想是统一的。
6. Python常用科学计算库【公共基础】：
1. Numpy
2. Sklearn
3. Matplotlib
4. Pandas
虽然说是公共基础部分，但是系统学习这几个库，也不是一件容易的事，而且很耗时间。因此还是遵循够用即可的原则。但是还是想列在这里，因为后来发现如果这几个库掌握的比较熟练，数据预处理后处理都能极大地节省时间，当你还在苦苦想如何设计预处理方法的时候，其实去查一查手册，大概率在这几个库里已经写好了。这几个库的官方文档都很优秀，比如Pandas的10 Minutes to pandas。因此，闲余时间多看看官方tutorial即可。
7. TensorFlow：
【fast peace】（偏向应用性质，到手即用，pretrained-models，tflearn，keras等）：
1. TensorFlow的三份白皮书，对TensorFlow的整体有个把握或者说印象是很有必要的，对后期的“图编程”，优化，都很有启发。
2. TFLearn，基于TensorFlow的高级API，不需要了解太多细节，应用向的可以直接看这个。
【hard way】（偏向理论性质，调用基本API手写，自定义layer，自定义kernel，自定义optimizer等）：
1. 官网教程，Get Start，Programmer’s guide，Tutorials，Performance过一遍。
8. 论文阅读路线图【hard way】： github上有个很有名的Deep Learning papers reading roadmap，已经过万stars，从事深度学习科研者的必读清单，在我写的上一篇学习之路中，虽然整理了很多论文，但是过于杂乱，在此就不做引用啦。
9. 相关博客等其他资源：
- 先放上我的博客啦（笑）
- Beginner-level tutorials for a powerful framework
- CS231n: Convolutional Neural Networks for Visual Recognition
- CS224n: Natural Language Processing with Deep Learning
- UFLDL Tutorial
- UFLDL教程（上面UFLDL Tutorial旧版，但是是中文的）
- First Contact With TensorFlow
- Deep Learning
- colah’s blog（推荐，写了很多晦涩概念可视化的博客）
- DeepLearning4J（虽然是一个面向Java的深度学习框架，但是文档很好，通用性也很强）
10. 不错的资源类网站：
1. arxiv-sanity
2. GitXiv
---------------------------------旧答案的分割线---------------------------------
发一波预告～最近刚用tensorflow搞完一个算是接近实际并且带有移动端应用外加inception retrain的项目，打算考试结束更新一波～：)
已更新（求助，如何使用删除线，<del>似乎无效）
TensorFlow已经发布1.0版本！
近期更新计划：
1.重新整理Learning path，将各个部分更加详尽阐述，同时给出合适的快速入手教程。
2.及时跟进最新进展，删除陈旧信息。
已更新（继续求助如何使用删除线，<del>似乎无效）
我在blog中总结了学习路线，针对新手。
新手向的Tensorflow学习之路（Learning paths）
文中的教程或者blog以及论文书籍基本上都是经典，推荐入门学习。
贴在这里：
在学习Tensorflow的过程中磕磕碰碰，总结一些个人心得记录于此，志同道合之友共勉~~
1.稳定的网络：Tensorflow毕竟出自Google，官方文档访问不是很稳定。而且一般来说，对于英文的文档，资料和疑问，Google搜索的结果要比Baidu好很多。（不是偏见，是各有所长，天气地图电影啥的，百度还是做的很好的）
2.Github：这是个开源程序的网站，Linux内核就在这个网站托管。Github的核心是Git，一种版本控制系统，已经逐渐取代SVN。这个网站托管了很多高质量的或者说世界顶尖的开源项目，比如Tensorflow。学习一下这个网站如何使用，注册个账号，学习一下Git的使用方法。这个网站有自己的tutorial和guide。
3.Linux: Tensorflow的主要运行平台就是Linux，目前在Windows上运行的方案是虚拟机，但是深度学习对计算要求还是比较高的，虚拟机效率不是太高，因此还是推荐在原生Linux中运行。新手推荐发行版是Ubuntu 或者Linux mint。这个可以自行搜索。学习Linux也有很多好处，因为很多开源软件都only linux的。
4.Python：这是一种非常流行的脚本语言，庞大的第三方库可以快速写出短小容易理解的代码，而且也是Tensorflow的推荐开发语言。教程太多了，这里给几个优秀的教程：官网教程，Learn Python the Hard Way，Python2.7教程
5.深度学习（Deep Learning，DL）：虽然Tensorflow已经封装好了大部分DL的细节，但是如果不了解DL的相关核心概念，就会很难着手分析问题。首先强烈推荐这个教程，通读一遍，然后还有这个，可以快速浏览或者只看自己不太明白的地方，还有这个分块介绍的，还有几篇blog，这个和这个讲的是卷积神经网络。图像识别用的比较多的就是卷积神经网络，这两篇可以看看。
6.Tensorflow：前面都是铺垫，是为了更好地使用Tensorflow。官方的文档不错，可以从get started然后tutorial看起，有个中文的翻译版，但是更新不及时（官方已经v1.0，这个可能是v0.8或者v0.7），可能有坑，可以和英文对照着看，还有个Tensorflow的教程，也不错。有篇FIRST CONTACT WITH TENSORFLOW也不错。
7.优秀博客：Hackery, Math &amp; Design， Mike Bostock， http://colah.github.io/， Café, bonne nuit这几个都是我在学习中遇到的非常nice的blog，有时间读读定会有所收获。
8.经典论文及书籍：收集了一些DL的经典论文&书籍，有些杂乱，不过几乎都是经典，各取所需吧。百度云地址（密码: 4w91）。各位有更好的欢迎推荐，我会整理上传。
9.几篇原创TF相关文章（持续更新）：如何理解TensorFlow中的batch和minibatch，结合TensorFlow PlayGround的简单神经网络原理解释，TensorFlow从源码安装，利用TF重训练Google Inception模型，在Android端使用TensorFlow
其中，Python，DL，Tensorflow是重点，其他都是辅助， 自己感觉够用即可，无需深入。学习中遇到困难首先向搜索引擎询问。
2017.4.3 更新：修正笔误，同时加了前言
2017.3.30 更新：修正一些笔误
2017.3.28 更新：完成了近期更新计划，重新整理了所有内容，同时及时跟进了新的内容
2017.2.17 更新：更新了在移动端使用TF的项目笔记，添加了近期更新计划
2016.11.25 更新：更新预告
2016.10.15 更新：更新了提及的软件版本号，添加了第九部分原创TF相关博文
2016.8.8 更新：更新了提及的软件版本号
2016.7.27 更新：重新排版，上传了资料
2016.7.6 更新：重新排版