新手深度学习的路线图。
你从哪里开始取决于你已经知道了什么。
真正理解深度学习的先决条件是线性代数、微积分和统计学，以及编程和一些机器学习。应用它的先决条件是学习如何部署模型。
在DL4J的场景中，你应该很了解JAVA并且对类似IntelliJ IDE的工具和自动化构建工具Maven感到舒服。
下面你会找到一个资源列表。这些章节大致按它们有用的顺序组织起来。
Patrick Winston人工智能介绍 @MIT (面向那些对人工智能的调查感兴趣的人)
Andrej Karpathy斯坦福卷积神经网络课程 (面向那些对图片识别感兴趣的人)
深度学习所涉及的数学基本上是线性代数、微积分和概率，如果你在本科阶段学习了这些，你将能够理解深层学习论文中的大部分思想与符号。如果没有在大学里学习过，就不要害怕。有很多免费的资源（有一些在这个网站上）。
机器学习所涉及的线性代数; Patrick van der Smagt
如果你还不知道如何编程，你可以从Java开始，但你可能会发现其他语言更容易。Python和Ruby资源可以在更快的反馈循环中传达基本思想。“学习Python的硬方法”和“学习编程（Ruby）”是两个很好的开始。
一个Vim基础教程 (Vim 是一种用命令行访问的编辑器。)
如果你想不使用JAVA而直接使用深度学习，我们推荐Theano和各种可以顶替它的Python框架，包括Keras 和 Lasagne。
一旦你有了编程基础，就可以着手Java，这是世界上使用最广泛的编程语言。世界上大多数大型组织都使用巨大的Java代码库。（总是有JAVA的作品）（大数据栈—Hadoop, Spark, Kafka, Lucene, Solr, Cassandra, Flink –在很大程度上是为Java的计算环境JVM编写的。
带着那些，我们推荐你通过它的 例子来走近DL4J。
快速入门
你也可以下载一个 智能层免费版, 它是支持 Python, Java 和 Scala 机器学习和数据科学的工具 。 SKIL是一个可以在prem和云端工作的机器学习后端，可以装载你的软件，提供一个机器学习模型服务器 。
我们所知道的关于深度学习的大部分内容都包含在学术论文中。你可以在这里找到一些主要的研究小组。 虽然个别课程对他们所能教的东西有限制，但互联网却没有。大多数的数学和编程问题可以通过Google和搜索如 Stackoverflow 和 Math Stackexchange。