深度学习入门最少需要知道什么？
本文是巡洋舰深度课程讲师龚鹤扬根据文章 What you need to do deep learning __by Rachel Thomas 给出一个最简单的回答。
经常有人会问：
深度学习需要什么样的电脑？
怎样入门深度学习？
对于深度学习初学者，有什么建议？
怎用应用深度学习技术到某个具体的问题？
这些问题其实就是
深度学习需要什么样的硬件，软件，背景和数据？
硬件
深度学习硬件很大的受益于游戏产业的高性能GPUs， 众多不同种类的显卡，我们推荐 Nvidia:
如果你的电脑没有 GPU 或者不是英伟达的 GPU，那么你有以下几个选择使用 fast.ai 的 Crestle 云服务，亚马逊云， 阿里云等。使用起来有些麻烦，使用方法参考原文：http://www.fast.ai/2017/11/16/what-you-need/ 。
软件
深度学习是一个新兴领域，软件库和工具包每天都在快速地提升。我们建议使用 Pytorch。为什么不推荐 Tensorflow 呢？ 主要原因是 Tensorflow 的动态计算图机制不成熟，其会话管理机制也有学习成本。Pytorch 适用于探索科研和快速开发模型原型， 它相对来说更容易理解和使用。原文总结了如下几个理由:
易于调试
动态计算图更适用于自然语言处理
支持传统的面向对象编程风格
TensorFlow 的 上下文管理器和会话等机制需要我们花费额外的精力学习
背景
深度学习需要的基础主要包括两个部分：
一年左右的编程经验
少量线性代数，微积分和概率论基础
虽然数学对学好深度学习极其重要，但是我们不建议在前期花太多时间在数学基础上。个人建议是直接看看西瓜书的数学附录， 花书中的数学基础部分。
数据
在大众的印象中，训练一个深度学习模型动辄需要几百万的样本，然而这并不总是成立。很多时候我们利用 迁移学习(结合数据增强技术)，我们用几百上千个数据就可以训练一个很好的深度网路了。 例如， 在 medical start-up Enlitic， Jeremy Howard 领导的一个团队用 1000 个肺部CT扫描 图像， 训练出一个网络诊断肺癌，准确率比专家还要高！
C++ 库 Dlib 中的一个人脸检测例子，甚至只有4个训练样本！
迁移学习和数据增强技术减少了深度学习模型对数据量的需求。当然还有其他方法， 例如生成对抗，深度强化学习等很多时候不需要大量的人工标注样本。而深度学习初学者需要用到的数据甚至直接集成在框架中（例如 Pytorch），直接调用就行。
巡洋舰深度课程系列文章