深度学习这四个字这几年被说得太多以至于不少刚入门的朋友把它当成一门要背很多名词的学科。我自己的体会正相反它更像一门手艺——工具摆在哪、原材料从哪拿、模型跑不通的时候翻哪本手册这些地图类信息往往比多背两个公式更能决定你能不能把一个项目从头跑到尾。这份深度学习领域必备网址汇总就是我在几年里反复增删之后留下来的东西它不是把搜索结果复制一遍而是每一条都对应一个具体场景想打基础去哪、追前沿去哪、找数据集和权重去哪、环境炸了去哪、工业落地没人教你的时候去哪翻官方文档。它适合三类人刚学完线性代数和 Python、不知道下一步干什么的学生已经能跑通 demo、但每次换任务都要重新找一圈资料的工程师以及做工业视觉、时序预测这类偏落地方向需要一个稳定入口随时查参数的老手。清单会持续更新但更新的是链接和用法筛选标准不会变——下面我把标准和用法一起讲清楚你照着搭自己的那一份比收藏别人的更管用。1. 一份清单的生死线我为什么每隔几个月就要重排一次1.1 收藏夹吃灰的真相缺的不是链接是使用场景我见过太多人的浏览器书签里躺着三四十个深度学习相关的页面真正打开过的不到五个。问题不在于链接质量差而在于收藏的那一刻没有绑定场景。你看到一篇讲注意力机制的博客觉得写得真好点个收藏然后三个月后再看到它已经完全想不起来当初为什么要存它——它解决的是我想搞懂 self-attention 的计算流程还是我要在代码里替换掉某个模块这两件事需要的资料完全不同。我自己的解法是给每个链接加一个动作前缀。比如读代表需要花半小时以上精读的查代表当字典用的比如某个激活函数的公式、某个损失函数的参数含义抄代表可以直接复制代码片段的跑代表需要登录或者本地搭环境才能用的。这个前缀不写在书签标题里而是写在分组名里分组名就是动作。这样收藏夹从按来源分类变成按动作分类找资料的路径缩短了一大半。还有一点很关键清单的失效速度比你想的快得多。一年前还很活跃的课程页面可能已经停止更新某个模型权重库可能换了域名教程里的 API 可能在新版本里被改名。所以这份东西一开始就不该被当成一次性收藏而应该被当成一个需要定期体检的资产。1.2 我筛网址的四条硬标准第一条有维护痕迹。判断方法很土但很准看最近一次更新时间看 issue 区有没有人回复看文档里引用的版本号是不是还在被支持。一个两年没动过的仓库就算 star 数很高我也不会放进核心清单——因为它的代码大概率跑不起来而新手最容易被star 多骗。第二条官方文档优先于二手教程。这条我踩过坑。早年间调一个卷积层的参数我照着一篇中文教程做了半天没效果最后翻官方文档发现那个参数在版本升级后语义变了教程写的是老版本的行为。从那以后我的顺序是官方文档 → 官方示例仓库 → 高质量社区文章。二手教程的价值在于告诉你该看官方文档的哪一页而不是替代官方文档。第三条能直接看到可运行的最小示例。一个站点如果只有概念讲解、没有任何可以复制的代码那它适合当读物不适合进跑这个分组。判断标准很简单页面上有没有一段十几行、能独立跑起来并输出结果的代码。第四条中文和英文各留一份。不是英文不好才留中文而是两类资源的密度不一样英文在论文、开源实现、官方文档上遥遥领先中文在体系化入门、术语对齐、工程避坑帖上有独特优势尤其是把抽象概念用中文讲清楚的那批内容读起来效率确实高。1.3 按学习阶段分工而不是按网站类型分工我把整个清单分成三块对应三个人生阶段还没跑通第一个模型、能跑通但不知道做什么、有明确任务要落地。这三块用的站点重叠度很低混在一起放只会让人焦虑。阶段典型困惑该去的那一类站点入门期概念听不懂、代码看不懂系统课程、中文入门读物、术语速查探索期有工具没题目、想找参照论文检索、论文与实现对照、开源模型库落地期数据不够、环境不稳、指标上不去数据集平台、算力入口、依赖与容器源、工业工具文档大多数人卡住的地方不是资料太少而是不知道该用哪一类。按阶段分工之后你每次打开清单只面对三到五个链接注意力不会被稀释。2. 把地基打牢概念、数学和体系化课程该放在哪一格2.1 三门我愿意反复回看的系统课系统课的价值在于顺序。零散博客最大的问题是它只讲一个点不告诉你这个点在整条知识链上的位置结果你学了一堆名词脑子里还是一团乱麻。我自己回看最多的是三类一类偏数学与优化视角把梯度、反向传播、泛化误差这些概念串成一条线一类偏工程实现视角从张量操作一路讲到训练循环一类偏视觉或语言这种具体方向用完整项目把前面的知识缝起来。看这类课时有个技巧不要追求一次看懂。第一遍只看它在解决什么问题、整体流程图长什么样第二遍再抠数学细节第三遍直接对着代码跑一遍。我带过几个朋友入门几乎所有人都喜欢第一遍就死磕公式结果卡在第三章就放弃了。反而是先建立框架、允许自己看不懂细节的人最后走得远。2.2 中文语境的入门读物与配套站点中文这边最大的优势是能把抽象概念翻译成日常语言。比如卷积核共享权重这件事英文教材可能一句话带过中文资料里会有人用用同一个印章盖满整张纸来解释理解成本立刻降下来。像动手学深度学习这种把书、代码、视频绑在一起的资源特别适合自学者——看一段、跑一段、改一段闭环很短。还有一类值得单独放一格的是从零实现型的读物。它不追求覆盖全部知识点而是挑几个核心模块比如手写反向传播、手写一个简单的卷积网络让你知道每个数字是怎么算出来的。这类内容对调试能力的提升非常明显——当你的损失不下降时你能大概判断是数据、是初始化、还是梯度本身出了问题而不是只能一遍遍换超参数。另外一个容易被忽略的资源是数学基础类的中文笔记。矩阵求导、概率分布、泛化误差界这些内容学的时候觉得离工程很远等你开始调模型、看论文里的公式推导时会发现它们是无处不在的。建议单独建一个分组遇到不懂的公式就往里存一条解释半年后这就是你自己的数学手册。2.3 期末自测和面试自测时的概念对齐入口学生做期末复习、或者准备面试的时候需要的资源和平时学习完全不同。平时是理解复习是对齐——你要确认自己对某个术语的理解和出题人、面试官的理解是同一个东西。这时候好用的是几类东西一是概念速查表把常见术语用一两句话定义清楚二是往年题目和解答重点看它问问题的角度比如它是考这个操作的作用还是考复杂度三是自测清单一条条问自己能不能用三句话讲清楚。我在帮人准备面试的时候发现一个规律卡住的人通常不是不会而是术语对不上。他脑子里的理解是对的但说不出口因为没有把口语化的理解映射到标准表述上。这个过程只能靠对着清单一条条过没有捷径。所以我建议你在清单里单独留一个分组叫自测只放题目和定义不放教程——因为复习阶段最忌讳的就是又打开一篇长教程看进去时间全花在阅读上输出一点没有。3. 追前沿论文、代码与权重三条线怎么串起来3.1 预印本与检索入口先解决有没有追新研究方向时第一步永远是确认这件事有没有人做过、做到什么程度。这时候用得最多的是预印本平台和学术检索站。预印本的好处是快很多工作还没正式发表就已经能看到了缺点是质量参差需要你自己判断。我的做法是先看摘要和结论判断它解决的问题是不是我关心的再翻到实验部分看它的对比基线选得是否合理最后才决定要不要细读方法。检索站的作用是补历史。预印本只告诉你最近发生了什么检索站能告诉你这条技术路线是怎么一步步演化过来的。写论文、做技术选型的时候把演化脉络理清楚比看十篇新论文都有用——因为你能看到哪些思路被淘汰了、为什么被淘汰。3.2 论文到实现的对照站把公式变成能跑的代码从论文到能跑的代码中间有一条很宽的沟。我自己最依赖的是那类论文 官方实现 第三方复现放在一起的站点它让你能横向比较不同实现版本的差异。同一篇论文官方实现可能为了性能做了很多工程优化代码读起来很绕第三方复现往往更贴近论文原意但可能没跑过大规模数据。两相对照你才能判断某个设计到底是核心创新还是实现细节。我在这里吃过一次亏早年间复现一篇检测相关的论文照着官方仓库的配置文件改结果指标怎么都上不去。后来换成一份社区复现版本先把它的默认配置跑通再一点点往回改才发现是数据预处理里的归一化参数不一样。教训是——复现的第一步永远是跑通别人的默认配置第二步才是改。跳过第一步直接改你根本不知道问题出在模型还是在数据。3.3 模型权重与开源模型库别从零训练现在这个阶段除非你是做研究发论文否则从零训练一个模型基本不划算。开源模型库的价值在于它提供了大量预训练权重你可以直接拿来做微调甚至直接推理。我的常规做法是先找最接近任务的预训练模型用少量数据做微调看指标能不能达到可用水平如果不行再考虑换结构或者加数据。选模型的时候有几个细节要注意。第一看它的输入输出格式尤其是文本类的模型分词器版本不一样会导致完全不同的结果。第二看它的许可协议尤其是要商用的场景这一步千万别省。第三看它有没有推理示例有示例的说明作者验证过能跑没有示例的就要多留个心眼。第四注意模型的参数量和你手上的硬件是否匹配一个几十 GB 的模型塞进显存只有 8G 的卡里只会得到一个内存报错。3.4 代码仓库、作者主页与工程化封装论文作者的代码仓库和主页值得单独收藏。原因有二一是能第一时间拿到官方实现二是作者主页通常会挂出后续工作你能顺着看到这条线的延伸。但要注意学术代码和工程代码是两种东西学术代码优先考虑能复现论文工程代码优先考虑稳、快、好维护。把学术代码直接搬到生产环境通常会遇到依赖混乱、日志缺失、异常处理不到位等问题。所以我把这一类资源又分成两层上层是原始实现用来理解下层是经过工程化封装的工具库用来落地。落地的这一层我关注的是文档是否写清楚了输入形状、是否提供了训练和推理两条完整链路、是否有版本升级说明。这三个问题决定了你三个月后还能不能维护这份代码。4. 真正开跑数据集、算力和实验环境的入口4.1 数据集平台先找数据再谈模型新手最常犯的错误是先选模型再找数据结果发现数据规模和模型能力完全不匹配。正确的顺序是先看数据有多少条、标注质量如何、类别是否均衡、有没有时序或空间相关性。数据集平台和竞赛平台就是干这个的竞赛平台尤其好用的地方在于它同时提供了数据、评价指标和别人的解决方案你能看到同一个问题不同人是怎么处理的。我的建议是每个方向至少收藏两三个常用的数据集入口并且记录每个数据集的适用任务、数据量级、标注形式。比如图像分类的数据集和检测的数据集标注格式完全不同转换过程很容易出错。提前记下来省得每次重新查。另外要提醒一句公开数据集大多有使用条款做研究一般没问题商用前务必看清楚。这不是小事我见过因为忽略条款返工整个项目的例子。4.2 在线 Notebook 与云算力手上没卡的时候怎么办不是每个人都有显卡。入门阶段完全可以用在线的 Notebook 环境好处是零配置、开箱即用缺点是资源有限、会话可能中断、装包有时会失败。用这类环境的时候有个小技巧把依赖安装写在第一个单元格里并且固定版本号。否则你换一个会话重新跑可能因为依赖版本变了导致结果不一样排查起来非常痛苦。如果要做正经的训练任务云算力平台是更现实的选择。选平台的时候我主要看四点显卡型号是否明确、计费方式是否按秒或按分钟、数据上传下载是否方便、有没有持久化存储。尤其是持久化存储这一条很多人第一次用会踩坑——训练跑到一半会话断了权重文件全丢只能重来。4.3 依赖源、镜像与容器环境配置的后勤站点这一段是我认为整份清单里最被低估的部分。模型能不能跑起来八成取决于环境。要单独收藏的东西包括包管理器的官方索引页、常用的镜像源地址、常见深度学习框架的官方安装指引尤其是版本对应关系表、以及容器镜像仓库。版本对应关系表尤其重要。框架版本、驱动版本、加速库版本三者之间有严格的匹配关系随便升级其中一个很可能整个环境就废了。我自己的习惯是每次配好一个可用环境就把三者的版本号记在一个文本文件里下次重装直接照着抄能省掉好几个小时的试错。用容器还有一个好处是复现性强。你在本地跑通的镜像推到服务器上、推到集群上行为基本一致。工程上我几乎不再直接改宿主机环境全部走容器出问题直接换镜像比一行行回滚依赖快得多。4.4 训练监控与实验管理训练跑起来之后你需要知道它到底在干什么。损失曲线、学习率变化、验证集指标、显存占用这些信息不记录下来你根本没法判断一次实验失败在哪。所以要收藏两类站点一类是可视化工具的官方文档用来接进训练脚本一类是实验管理平台用来横向对比不同参数组合的结果。我个人的经验是每次实验必须留下三样东西——配置文件、日志、最终指标。模型文件反而是次要的因为只要配置和数据在权重可以重训。刚开始做实验的人往往只存模型过两周想复现结果时发现配置改了、日志没留只能重跑一遍白白浪费算力。5. 工业与细分场景当题目从识别猫狗变成真问题5.1 视觉检测工具箱与开源算法体系做实际项目时通用框架往往不够用你需要的是成套的检测或分割工具箱它们内置了主流算法、提供了从数据标注到训练到导出的完整链路还配套了详细的配置文件说明。这类工具箱最大的价值是降低了工程化门槛你不用自己从零写数据加载、锚框生成、后处理这些繁琐的部分。用这类工具箱有个要点先读它的配置即代码的设计思想理解配置文件里每一段管什么。很多人的问题是照着一份配置改改不动了也不知道为什么就是因为没理解配置项之间的依赖关系。花一小时把官方文档的配置说明读一遍后面能省掉好几天的折腾。5.2 工业视觉工具链的官方文档该怎么读工业场景下常用的视觉软件比如 halcon 这类和学术界的工具思路很不一样。它们强调的是稳定性、可重复性和工程集成文档结构也偏向功能模块 参数说明 算子参考。读这类文档的方法是先看它的整体工作流数据准备 → 训练 → 评估 → 部署再看每个阶段的关键参数含义最后去算子参考里查具体接口。特别要提醒的是工业工具的版本差异很大不同版本之间的算子名、参数可能不一样。所以收藏的时候一定要连版本号一起记比如halcon 某版本深度学习模块文档而不是只存一个首页否则你打开之后不知道眼前这份文档对应的是不是你装的那个版本。工业场景还有个特点数据量通常不大但标注精度要求高且类别分布很不均衡。所以在这类工具的学习路径上数据准备和增强的部分比模型结构更值得花时间。我见过太多项目最后卡住的不是模型选错了而是训练集里混进了标错的样本。5.3 时序预测、强化学习与图结构方向如果你的问题不是图像那需要的入口就换了一套。时间序列预测重点看的是数据切分方式、评价指标、以及如何处理趋势和季节性强化学习重点看的是环境接口、回合与步的概念、以及训练稳定性图结构方向则要额外关注邻接矩阵的构造和邻居采样方式。我建议为每个方向单独建一个分组并且只放三到五个链接一个概念入门、一个官方工具库、一个真实案例、一个常见问题合集。方向性的知识最容易越看越散限定数量反而能让你快速进入状态。5.4 边缘设备与端侧推理把模型部署到嵌入式设备上是完全不同的一套技能。要收藏的包括推理框架的官方文档、模型格式转换工具的说明、以及目标硬件的开发者文档。核心流程是固定的训练好的模型 → 转换格式 → 量化或剪枝 → 在设备上跑推理 → 对比精度损失。这里最容易踩的坑是算子不支持。你以为转换成功了其实某些算子被替换成了近似实现精度悄悄掉了几个点。所以转换之后一定要做精度对比用同一批测试数据分别跑一遍原模型和转换后的模型看差异有多大。这一步不能省我在实际项目中见过因为跳过这一步导致上线后效果不达标的案例。另外不同硬件的开发者社区质量差别很大有的文档详细、示例齐全有的只有一份简略的说明。选硬件之前先去看它的开发者文档和示例仓库这比看参数表更能判断它好不好用。6. 让清单不过期我每周花一小时做的三件事6.1 分层收藏法按使用频率不按来源我的分组逻辑现在只有三层每天用的放最上面每周用的放中间偶尔查一次的放最下面。分类维度不是这是论文网站还是数据集网站而是我多久用一次。这个改动听起来很小效果却很明显——每天用的东西最多五六个都在视线范围内不会因为找不到而重新搜索。判定频率的方法也很简单用一个月看哪些链接你反复点开哪些一次没碰。一个月后整理一次没碰过的果断删掉或者降级。清单的价值不在于多而在于每一条都被用过。6.2 失效链接与内容腐坏的清理节奏内容腐坏比链接失效更麻烦。链接还能打开但里面的内容已经过时了——教程用的是老版本 API、示例代码依赖的库已经改名、参数说明和当前版本不一致。这种链接最危险因为它不会报错只会让你在错误的方向上浪费时间。我的处理办法是给每个链接标注最后验证时间。每次用到某个链接就顺手更新一下时间戳。超过半年没验证的下次用到时先确认一遍版本。这个习惯听起来有点强迫症但确实帮我避开了好几次照着老教程调半天没效果的情况。6.3 几个新手最容易踩的坑第一个坑是只看不跑。收藏了几十个链接每个都扫了一眼但一个都没动手跑过。深度学习这门手艺阅读带来的收益远低于动手哪怕只是把官方示例跑一遍、改两个参数看输出变化收获也比读十篇教程大。第二个坑是同时开太多线。今天看视觉、明天看自然语言、后天又去做时序每个方向都只学到皮毛。我建议一次只推进一个方向把一条线走完整从数据到训练到评估到部署走完一遍你就有了方法论换方向只是换工具。第三个坑是忽略官方文档里的注意事项章节。很多人读文档只看函数签名和示例跳过那些小字标注的注意事项结果踩的坑全在里面写着。我现在养成的习惯是用某个工具之前先把它文档里的限制和常见问题翻一遍几分钟的事能省掉大量排查时间。第四个坑是不留记录。参数改了、实验跑了、结果好了但过两周完全想不起来当时改了什么。解决方法很朴素一个文本文件每次实验记三行——改了什么、结果怎样、下次想试什么。这比任何实验管理工具都实用因为它零成本你一定会坚持。最后分享一个我用了很久的小习惯每个月挑一个链接把它从收藏夹里挪出来真正用一遍用完写两句话总结——它解决什么问题、在什么情况下不适用。一年下来你手上就有十几条自己写的使用说明这比任何别人的清单都更贴合你的实际需求。清单本身不重要重要的是你通过这些入口把一个个陌生的概念变成了能跑起来的代码。