深度学习具体都会学神经网络、BP
反向传播算法、TensorFlow深度学习工具等。
而神经网络需要学习的有：
从
生物神经元到人工神经元
激活函数Relu、Tanh、Sigmoid
透过神经
网络拓扑理解逻辑回归分类
透过神经网络拓扑理解Softmax回归分类
透过神经网络隐藏层理解升维降维
剖析隐藏层激活函数必须是非线性的原因
神经网络在sklearn模块中的使用
水泥强度预测案例及绘制神经网络拓扑
BP反向传播算法需要学习的有：
BP反向传播目的
链式求导法则
BP反向传播推导
不同激活函数在反向传播应用
不同
损失函数在反向传播应用
Python实现神经网络实战案例
TensorFlow深度学习工具设计到：
TF安装（包含CUDA和cudnn安装）
TF实现
多元线性回归之解析解求解
TF实现多元线性回归之梯度下降求解
TF预测california房价案例
TF实现Softmax回归
Softmax分类MNIST手写数字识别项目案例
TF框架模型的保存和加载
8) TF实现DNN多层神经网络
9) DNN分类MNIST手写数字识别项目案例
10) Tensorboard模块可视化
这些就是深度学习涉及到的一些知识，一般来说深入理解
神经网络算法及其优化算法，掌握TensorFlow开发流程，通过实现神经网络完成回归和分类任务。TensorFlow框架学好了，其它
深度学习框架比如Keras、PyTorch掌握起来易如反掌。另外可以进行一些实战，这样才更熟练。