深度学习具体学什么？

深度学习包括神经网络、BP反向传播算法、TensorFlow深度学习工具等。

神经网络需要学习:

从生物神经元到人工神经元

激活函数Relu，Tanh，Sigmoid。

通过神经网络拓扑了解逻辑回归分类

通过神经网络拓扑了解Softmax回归分类

通过神经网络隐藏层理解决升级降维问题

分析了隐含层激活函数必须是非线性的原因

神经网络在sklearn模块中的应用

水泥强度预测及绘制神经网络拓扑的实例研究

BP反向传播算法需要学习:

BP反向传播目的

链式导数规则

BP反向传播推导

不同激活函数在反向传播中的应用

不同损失函数在反向传播中的应用

Python实现神经网络实战案例

TensorFlow深度学习工具旨在:

TF安装(包括CUDA和cudnn安装)

TF实现了多元线性回归的解析解

TF实现多元线性回归的梯度下降解

TF预测加州房价案例

TF实现Softmax回归。

MNIST手写数字识别项目案例

保存和加载TF框架模型

8) TF实现了DNN多层神经网络。

9) DNN分类MNIST手写数字识别项目案例

10)张量板模块可视化

这些都是深度学习涉及到的一些知识。一般来说，要深入理解神经网络算法及其优化算法，掌握TensorFlow开发流程，通过实现神经网络来完成回归和分类任务。TensorFlow框架很好学，其他深度学习框架如Keras、PyTorch等都很容易掌握。另外可以做一些实战，这样可以更熟练。