講真，這麼多好課，都想學，怎麼學得過來呢？好焦慮...
作者 | 周翔
編輯 | 鴿子
上週二（8 月29 日），網易雲課堂與吳恩達的 Deeplearning.ai 宣佈達成合作，後者的最新深度學習課程“Deep Learning Specialization”中文字幕版上線網易微課程，並永久免費，這對國內的開發者社群來說，絕對是一個重磅好訊息。
AI科技大本營在全網進行首發後，留言區的評論一致誇讚“網易雲課堂真乃業界良心”。
好訊息不止於此。AI科技大本營再跟大家播報一個重磅好訊息。
曾經的百度少帥、如今的亞馬遜AI主任科學家、 MXNet 的作者李沐博士也開設了自己的深度學習課程。
今天（9 月 4 日），這位亞馬遜AI主任科學家將給中文開發社群帶來全新的深度學習課程《動手學深度學習》。
該課程將使用 Apache MXNet (incubating) 的最新 gluon 介面來演示如何從 0 開始實現深度學習的各個演算法，利用 Jupyter notebook 將文件、程式碼、公式和圖形統一在一起的優勢，為開發者提供了一個互動式的學習體驗。據此，目前並沒有哪個專案能既覆蓋全面深度學習，又提供互動式的可執行程式碼，該門課程則填補了這個空白。
哎呀，都是深度學習課程，都是大牛，到底怎麼選呢？營長有選擇恐懼症啊...
李沐表示，這個課程和吳恩達的課程還是有幾個顯著的區別滴，聽聽他怎麼說：
我們不僅介紹深度學習模型，而且提供簡單易懂的程式碼實現。我們不是通過幻燈片來講解，而是通過解讀程式碼，實際動手調引數和跑實驗來學習。
我們使用中文。不管是教材，直播，還是論壇。（雖然在美國呆了5，6年了，事實上我仍然對一邊聽懂各式口音的英文一邊理解內容很費力。）
Andrew 課目前免費版只能看視訊，而我們不僅僅直播教學，而且提供練習題，提供大家交流的論壇，並鼓勵大家在 github 上參與到課程的改進中來。希望能與大家有更近距離的互動。
也就是說，這次的課程將以動手實操為主，不僅直播教學，而且還提供了“Deep Learning Specialization”在網易雲課堂上不提供的練習題。據AI科技大本營瞭解，李沐將於每週六的上午 10 點在鬥魚進行課程直播，第一次直播時間為 9 月 9 日上午 10 點。此外，這次課程全程使用中文，進一步降低了學習門檻。
不過，這門課程目前還只是 0.1 版本，因此只有“預備知識”、“監督學習”、“神經網路”三個章節，此外，裡面還有部分英文內容沒有漢化。
課程內容
目前，“動手學深度學習”的每個教程主要是按照以下方式來組織（除了少數幾個背景知識介紹教程外）：
引入一個（或者少數幾個）新概念
提供一個使用真實資料的完整樣例
這個教程的最大特色在於，每個教程都是一個可以編輯和執行的 Jupyter notebook，而執行這些教程需要 Python、Jupyter 和其外掛 notedown，以及最新版 MXNet，因此學習者首先要知道如何安裝並使用這些程式。
不過，該課程在開始之前提供了詳細的“安裝和使用”教程，學習者按照步驟來操作就可以了。
以下是“動手學深度學習”課程 0.1 版的全部章節：
預備知識
監督學習
神經網路
那麼，我們不禁想問，為什麼李沐要開這門課？到底哪些人群最適合看這門課？為什麼這門課的前後邏輯需要這樣設計？我們從李沐的公開信中，找到了答案。或許，開課背後的思考，更值得我們學習。
附：李沐的公開信
兩年前我們開始了MXNet這個專案，有一件事情一直困擾我們：每當MXNet釋出新特性的時候，總會收到“做啥新東西，趕緊去更新文件”的留言。我們曾一度都很費解，文件明明很多啊，比我們以前所有做的專案都好。而且你看隔壁家輪子，都沒文件，大家照樣也不是用的很嗨。
後來有一天，Zack 問了這樣一個問題：假設回到你剛開始學機器學習的時候，那麼你需要什麼樣的文件？
我是大二開始接觸機器學習。當時候並沒有太多很好資料，抱著晦澀的翻譯版《The Elements of Statistical Learning》讀了大半年仍是懵懵懂懂。後來 08 年的時候又啃了好幾個月《Pattern Recognition And Machine Learning》，被貝葉斯那一套繞得雲裡霧裡。10 年去港科大的時候 James 問我，你最熟悉的模型是哪個？使勁想了想，竟然答不出來。
雖然在我認識的人裡，好些人能夠讀一篇論文或者聽一個報告後就能問出很好的問題，然後就基本弄懂了。但我在這個上笨很多。讀過的論文就像喝過的水，第二天就不記得了。一定是需要靜下心來，從頭到尾實現一篇，跑上幾個資料，調些引數，才能心安地覺得懂了。例如在港科大的兩年讀了很多論文，但現在反過來看，仍然記得可能就是那兩個老老實實動手實現過寫過論文的模型了。即使後來在機器學習這個方向又走了五年，學習任何新東西仍然是要靠動手。
幾年前我開始學習深度學習，在MXNet這個專案裡也幫助和目睹了很多小夥伴上手深度學習。我發現也有很多小夥伴跟我一樣，動手去實現、去調參、去跑實驗才會真正成為專家（或者合格的煉丹師）。雖然深度學習崛起前的年代，不寫程式碼不跑實驗可以做出很好的理論工作。但在深度學習領域，動手能力才是核心競爭力。例如就算我熟知卷積的三種寫法，Relu 的十個變種，理解 BatchNorm 為什麼能加速收斂，對 Imagenet 歷屆冠軍的錯誤率隨手拈來，能滔滔不絕說上幾小時神經網路幾度沉浮的恩怨史。但調不出引數，一切都是枉然。發論文被問你為啥跟 state-of-the-art 差老遠，做產品被噴你這精度還不如我的便宜 100 倍的線性模型。
在過去一年我在 AWS 工作中，很大一部分是在幫助 Amazon 內部團隊和雲上的使用者來了解深度學習，並將其應用到他們的產品中。在今年夏威夷的 CVPR 上，遇到很多老朋友，例如地平線的凱哥，今日頭條的李磊，第四正規化的文淵和雨強，也認識了很多新朋友，例如 Momenta 旭東和商湯俊傑。我說 MXNet 有了新 Gluon 前端，可以一次性解決產品和研究的需求。大家紛紛表示，好啊好啊，來我們這裡講講吧。而且特別強調說，我們這裡新人很多，最好能講講入門知識。
所以很自然的會想，我們能不能幫助更多人。於是我們想開設一些系列課程，從深度學習入門到最新最前沿的演算法，從 0 開始通過互動式的程式碼來講解每個演算法和概念。希望通過這個讓大家既能瞭解演算法的細節，又能調得出引數。既贏得了競賽，又做的出產品。
為此我們做了（正在做）這四件事情：
Eric 和 Sheng 開發了 MXNet 的新前端 Gluon，詳細可以參見 Eric 的這篇介紹。這個前端帶來跟 Python 更一致的便利的程式設計環境，不管是debug還是在互動上，都比 TensorFlow 之類通過計算圖程式設計的框架更適合學習深度學習。
Zack, Alex, Aston 和很多小夥伴一起寫了一系列的 notebook 來講解各個模型。Zack 從一個外行（他是專業音樂人）和老師（CMU 計算機教授）的角度，從0開始講解和實現各個演算法。
我們同時將 notebook 翻譯成中文，而且做了很多改進（我個人認為中文版質量更高），並建立中文社群 discuss.gluon.ai 方便大家來討論和學習。
我們聯合將門在鬥魚上直播一系列課程，深入講解各個教程。
在我們準備這個的時候，Andrew Ng 也開設了深度學習課程。從課程單上看非常好，講得特別細。而且 Andrew 講東西一向特別清楚，所以這個課程必然是精品。但我們做的跟 Andrew 的主要有幾個區別：
- 我們不僅介紹深度學習模型，而且提供簡單易懂的程式碼實現。我們不是通過幻燈片來講解，而是通過解讀程式碼，實際動手調引數和跑實驗來學習。
- 我們使用中文。不管是教材，直播，還是論壇。（雖然在美國呆了 5~6 年了，事實上我仍然對一邊聽懂各式口音的英文一邊理解內容很費力。）
- Andrew 課目前免費版只能看視訊，而我們不僅僅直播教學，而且提供練習題，提供大家交流的論壇，並鼓勵大家在 github 上參與到課程的改進中來。希望能與大家有更近距離的互動。
從大出發點上我們跟 Andrew 一致，希望能夠幫助小夥伴們快速掌握深度學習。這一次技術上的創新可能會持續輻射技術圈數年，希望小夥伴們能更快更好的參與到這一次熱潮來。
課程地址：http://zh.gluon.ai/index.html
作者：AI科技大本營（rgznai100）
著作權歸作者所有。商業轉載請聯絡作者獲得授權，非商業轉載請註明出處。