《动手学深度学习》读后感100字

　　《动手学深度学习》是一本由阿斯顿·张（Aston Zhang） / 李沐（Mu Li） /著作，人民邮电出版社出版的平装图书，本书定价：85.00元，页数：440，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。

　　《动手学深度学习》精选点评：

　　●读的英文在线版，很好的深度学习入门书，配有代码。只是有些章节结构比较松散拼凑感觉，深度不够。

　　●过一遍式的学习意义不大，但这本书还不错。

　　●对初学者来说，完整的读下来并且敲完代码后会对深度学习的基础有比较清晰的了解，能知道简单的代码是怎么写的。 但这本书并不涉及传统的机器学习内容和相关的理论知识，仅有的一点的数学内容也讲的很简单。总而言之算是一本面向初学者的工程书。

　　●入门好书

　　●相当不错的深度学习入门书，跟着写一遍收获颇丰

　　●同类型最好的书，理论代码兼顾，不是特别深但是要比其他理论代码兼顾的书理论更加深入清晰，代码讲解更加明白。

　　●非常基础非常给力的一本书，有pytorch版本，建议读pytorch版本的。

　　●我是李沐大大的小迷弟哈哈

　　●写得很好

　　●要强调的是本书只是入门，要想深入了解某个DL领域需要看大量的论文。// 最优秀的深度学习入门书籍，别出心裁，简明清晰，体贴入微。无论想学习深度学习理论还是实践，这本书都是不二之选。至于本书多个深度学习框架的选择，如果编程基础良好，不妨选择主流的pytorch版或tensorflow版；否则，选择原版mxnet吧。

　　《动手学深度学习》读后感(一)：理论和实践的完美结合

　　浮光掠影翻了一遍，对机器学习的大纲式了解；可以先去看吴恩达的起步教程热身一下，然后这本书基本上是全景式的巨著，有例有据，洋洋洒洒超级详细；

　　这本书是写给实战工程师用的，作者团队超级用心，绝对不是那种复制粘贴党；所以一边动手一边学效果MAX；我读的时候觉得都可以跟 W.Richard Stevens 的系列著作相媲美了；

　　读完这本书之后，可以去攻克那本著名的 Deeplearningbook了，这本书偏向于数学基础：

　　http://www.deeplearningbook.org

　　我得说要成为机器学习的专家要学的东西太多了，估计要从《具体数学》、《线性代数》、《微积分》、《概率论》开始学起； 我先定下一个小目标：变成一个熟练的调参党;

　　《动手学深度学习》读后感(二)：心得

　　短评写太长了写在这里吧，自己一点笔记。

　　因为我职业的关系，用tensorflow和theano比较多，书里面的脚本是python的MXNet，之前从来没用过这个，书大部分都在手把手教新手敲脚本，当然会复制粘贴能跑个脚本就入门了当然不假，反正我是假装自己学会了MXNet，MXNet在环境和内存的优化做的很好，运行速度比tensorflow快，但是我不敢保证在面对对工业生产GPU要求较高的图像识别也能有更好的发挥，因为MXNet并不怎么底层，底层源代码部分工具的实现我个人认为值得商榷，我没有碰到过GPU高要求这种情况，只是作为单纯简单的数据分析我或许更青睐MXNet。

　　不过作为读者我个人不是很喜欢这种只推销MXNet的方式，当然我不会因为这个对这本书做出不好的评价，读者应该有权利接触不同的框架，作者为什么不可以推销他自己的东西呢，然而同样的实现方式我自己有比MXNet更好的tensorflow脚本。还是那句话，代码行数短，语法糖可读性简洁跟性能无关。

　　对于新手而言在这本书的基础上需要了解导入csv数据或者数据库sql之类的操作，当然这个又是numpy和pandas的事情了，前提还有python对文件的操作。这本书在数据分析工具上欠缺了些，画图工具完全可以用R语言的tidyverse取代（ggplot2），python自己的Matplotlib样式作为发表sci的要求来说实在太丑。

　　说到这里matlab这本书没有讲，可以参考吴恩达的coursera，matlab最大的优点是全家桶有可视化操作，缺点是体量太大，我的老爷机可能不久会告别matlab了。matlab和python的numpy之间的区别在于矩阵和Array数组（当然numpy也可以矩阵）的区别，而且numpy自身也有类似matlab的函数。

　　当然在实际使用中，二者的使用取决于具体情况，书中很多脚本，明显matlab也可以做，总之，我不主张实际使用MXNet一刀切，当然教学完全没问题。

　　《动手学深度学习》读后感(三)：机器学习的菜鸟日记之终于找到物美价廉的学习材料 学习材料推荐

　　前言

　　学完了吴恩达的机器学习课程，小心翼翼打开kaggle，研究了下kernal，终于搞定了eda，再往下拉，是各种bagging，boosting，看看的大神们的博客，大脑告诉我，好了，我明白了它们的区别了，再回去看看kernal，ok的，就是这样，so easy。信心满满打开一个新的数据库，开始整理整理数据，一顿操作猛如虎，到了建立模型环节，脑袋一片空白，不是，我根本不懂，我要用哪个模型？参数怎么调？天啊，我都学了些什么，我的人生不如草。我是不是漏了些什么，翻开西瓜书，没有，我没有漏，这一页页都那么地熟悉。 所以问题出在哪里？

　　学习材料

　　这里推荐我正在学习的教材 [Dive into Deep Learning] , 里面全部代码都可以在电脑里直接运行，我刚看完第三章，最喜欢的是他解释完一个算法，会一步一步写出来，你可以试着运行一下，每个步骤了然于心之后，会贴心地告诉你，这么多步骤，我们都简化在一个库(mxnet)里面了哦，你直接运行就好了，每个程式都是以最简单明了的方式呈现。

　　我有打印英文版出来，有时候字很多，看得很辛苦，选择打印是为了摈除一切干扰，专注在那一页纸上。有时候实在看不明白，就去网上瞧瞧中文版，代码有时候中英文两个版本还不一样。当然，运行别人写好的代码很容易，如果要用在别的数据上又会得到什么结果，这就是我写这个博客的原因

　　结束语

　　其实能被我们看到的都是基本都是成功的案例，但是成功的背后只有作者知道付出了多大的努力。

　　成功的例子都是相似的，菜鸟的代码各有各的bug，然而困难都是前进的指路明灯，了解这些错误怎么发生，我们一起共勉之。

　　《动手学深度学习》读后感(四)：书籍资源和书中习题答案、python代码下载

　　扫码关注公众号 「图灵的猫」，点击“学习资料”菜单，可以获得海量python、机器学习、深度学习书籍、课程资源，以及书中对应习题答案和代码。后台回复SSR更有机场节点相送~

入门避坑指南

　　自学三年，基本无人带路，转专业的我自然是难上加难，踩过无数坑，走过很多弯路。这里我整理了一下自己踩过的坑，供大家参考。

　　1. 不要从头开始学数学

　　如果不是一点数学都不会，你没有必要从零学起。用上个把月，把微积分、线性代数、以及概率统计复习一遍就够了。我自己因为没有学过高数，所以花了半年时间，甚至读了数学分析、泛函分析和测度论这样的教材。现在回想起来，其实学到的大部分知识并没有在后来的算法生涯中用到，虽然算不上沉没成本，但投入产出比绝对不高。

　　因此，不要过度投入到数学领域，打好基础即可。有个例子说的很好， 如果你想造汽车，你需要有20年的理论功底，以及技术实践。 但如果你只是想开汽车，却很快就能学会。 当个司机，你需要去了解汽油发动机原理吗？ 不需要。 因为你开的车，甚至有可能根本就用不上汽油发动机（电动车）。

　　2. 代码能力要过关

　　我在大三一年自修完了计算机系的所有必修课，因为我深知数据科学离不开计算机底层知识。我见过不少只会背推导公式，连JVM虚拟机是什么都不知道的人。除了Python，请至少学习1-2门底层语言，比如C/C++，Java。

　　此外，如果你的目标是算法工程师，那么数据结构与算法、计算机系统、内存机制、网络编程、大数据框架也要着手学习，因为你是以企业工作为导向的。这方面我有空会把自己读研时找实习的经历整理分享出来。

　　3. 不要过分深入

　　深度学习，底层结构很复杂，理论知识读懂即可，书也可以跳着看。除了自己感兴趣的部分，其他不需要深入。

　　4. 不要重复造轮子

　　不管是你是做科研还是搞业务算法，在开始入门的时候，认认真真自己实现一遍基础算法的底层代码就足够了，对于更多复杂的算法实现，如非必要（比如打比赛），否则请不要浪费时间，要记住，你只是入门，不需要专精这个领域。

　　我曾经读过hadoop的ML包源码，以及xgboost的C++源码，对当时还在入门的我来说，是做无用功。轮子还没修好，就照着别人的高铁学习结构，效率不会太高。现如今，对于大多数深度模型调用，代码量基本不过百行。除非你的方向是大规模、高可用深度学习系统的底层开发、架构开发，那么没有必要深入底层代码。

　　5. 不要报培训班

　　这一点仁者见仁。但我认为，网络上的公开课足够你学的了，比如Coursera，斯坦福CS231，可汗学院等等，这些现在都有中文字幕。相关资源我整理放在文末了，大家可以取用。要强调的是，有的同学会觉得花了钱，自然就会心疼，就会坚持学下去。这个想法很好，但太天真，有两点国内的教学体系才刚起步，很多985高校都是和计算机、数学系一起上课，老师自己很可能都不是研究AI出身的。所以，请思考一下：校外的培训机构，会有比985还好的教学能力吗？深度学习没有速成一说，虽然深度学习经常被诟病没有基础理论支撑，不需要数学知识，但那是说给大牛听的。你一旦深入某个方向，底层的数学照样少不了。培训班最不会教你的，就是这些。它们只会利用你的兴趣，揠苗助长，然后收割学费