想学深度学习的人多数卡在第一步：教程看了一堆，不知道该先学什么、用什么工具、跑什么项目算入门。这篇不讲原理推导，只给一条能照着走的路径——先对齐基础概念，再用现成算力和开源模型跑通完整链路，最后按主题挑练手项目，并说明哪些做法对零基础不适用。
想学深度学习的人多数卡在第一步：教程看了一堆，不知道该先学什么、用什么工具、跑什么项目才算入门。这篇不讲原理推导，只给一条能照着走的路径——先对齐基础概念，再用现成算力和开源模型跑通完整链路，最后按主题挑练手项目。全程按周推进，不求学得多深，只求每一步都有能验证的产出。
下面四个环节加一个自检标准，顺序别打乱。前两步是地基，跳过直接找项目跑，大概率会在环境报错和数据格式上卡住好几天；第三步开始才是真正的实践，最后告诉你怎么判断自己已经过了入门线。
第一步：先把概念地图和对术语的位置对上
最先要分清的是层级关系：人工智能、机器学习、深度学习、大模型不是并列的四个方向，而是层层包含。这个概念地图没建好，后面看任何教程都会一直混淆它在讲哪一层。站内已经有一篇专门梳理这几个概念区别的文章，建议先看完那篇再回来读这条路径，避免重复。
- Token
- 模型处理文本的最小切分单位，理解它就知道为什么长文会被截断、为什么要按量计费。
- 上下文
- 一次请求里模型能同时看到的全部内容，长度上限往往决定任务能不能一次做完。
- 温度
- 控制输出随机性的参数，调低更稳定、调高更发散，做事实类任务通常往低调。
- 训练与推理
- 训练是拿数据调模型参数，推理是拿着调好的模型用，成本和耗时分属两个阶段。
这几个词弄明白就够启动了，其余名词见到再查。给自己定一个检查点：能用一句话向别人解释「模型是怎么从数据里学出规律的」，并且大致知道嵌入向量在干什么，就算概念这关过了。要是想改模型结构或做算法研究，这条偏应用的路径不够用，得回去补线代、概率和反向传播的推导。
第二步：用现成算力和开源模型跑通第一条链路
零基础别从装本地环境开始，环境配置本身就能劝退一大半人。先在公有算力平台或模型托管平台上租用或调用，把数据准备、训练或微调、推理验证这一整条链路各跑一遍。重点是看懂每一步的输入和输出，而不是把参数调到最优。
- 先做一次推理拿一个别人训练好的模型，喂几条自己的输入，看输出长什么样。目的是确认调用链路通、知道自己手里有什么。
- 再做一次微调找一个小规模公开数据集，按平台给的示例脚本跑一遍微调。看损失怎么变、多久收敛，感受资源消耗。
- 最后才自己训小网络前面两步都顺了，再从头训一个结构简单的网络，理解前向、反向和评估的完整循环。
算力怎么选，别凭印象下单。先到站内算力总览和租用比价页面，按当时的规格与价格挑，注意区分按量计费和包时段两种模式，前者适合短任务试水，后者适合连着跑几天的实验。数据不能出内网、必须本地跑的团队，走这条路之前要先确认合规与数据边界，别拿公司资料直接上传公有平台。
第三步：按主题阶梯挑练手项目，一个主题做完再换
| 层级 | 做什么 | 练的是什么 |
|---|---|---|
| 复现类 | 找一篇带开源代码的经典论文，跑通并改一个变量看结果变化 | 环境搭建、调试、读代码 |
| 场景类 | 图像分类、文本分类、简单问答或预测任务各选一个 | 数据清洗、训练流程、评估指标 |
| 接业务类 | 把训练或推理结果接进一个小工具，如批量打标、自动归类 | 工程链路、接口对接、稳定性 |
- 一层一层来，别跳级：复现类没跑顺就去做场景类，报错会多到无从下手。
- 每个主题只做一个项目，做完再换下一个，避免同时在三个方向上原地打转。
- 场景类用公开数据集，先用现成小模型跑出基线，再考虑换更大或更新的模型。
- 选题前先到站内模型库和垂类模型目录看有没有现成方案，很多任务直接调接口就够，不必自己训。
- 涉及费用的，到官方 API 价格页面核对当时的数字，别照旧印象做预算。
节奏怎么排，以及几个高频踩坑
建议按周推进：一周补概念和工具，两到三周跑通链路，之后每个练手项目给一到两周。超时就收尾换下一个，不要在一个项目上耗几个月，入门阶段的收益主要来自「做过多少种完整流程」，而不是单点做得多精。
- 只看视频不动手，笔记记了一本，环境还是不会装。改法：每看一节就跟着敲一遍。
- 一上来就追最新模型，基础任务还没跑通就去啃复杂结构，结果两头空。
- 数据集没清洗就开始训，最后搞不清是模型不行还是数据有问题。
- 结果不设基线就判断好坏，没有对照的指标基本没有参考价值。
- 项目做完不留记录，下次遇到同样问题还得重新查一遍。
每做完一个项目留一份记录：数据来源、用了什么方法、评估方式、失败在哪。这份记录比证书更能说明问题，面试或合作时也拿得出手。如果你只是想用 AI 工具解决办公问题，不需要走这条路径，直接看站内办公场景的上手类文章更省时间，硬啃训练流程属于用错力。
怎么判断自己算入门了
- 能独立从零跑通一个公开数据集任务，并解释每一步在做什么。
- 遇到报错能按「数据格式—环境依赖—参数设置」的顺序自己排查，而不是直接搜报错原文碰运气。
- 能读懂一篇应用类论文的方法部分，知道它解决什么问题、评估指标怎么看，而不是只会复述结论。
- 知道什么时候该自己训、什么时候直接调接口或微调。
- 做任何涉及成本的决策前，会去站内费用与额度页面核对成本再决定。
判断标准本身有边界：达到以上只说明你能上手做应用，离独立设计新方法还有距离。想往研究方向走，还要补数学推导和实验设计能力，那是另一条更长也更窄的路。反过来，如果只是想在大模型应用方向找工作或做副业，上面这些已经够你接需求了。
下一步按这条路径走，第一步会遇到的问题是选什么算力和什么模型。站内已经把各类算力规格和主流模型的公开价格整理在一起，去核对当时的数字，比凭印象下单靠谱得多。→常见问题
零基础需要先把数学补完再开始吗？
不需要。应用向的入门可以先跳过推导，把概念和工具跑通，遇到看不懂的公式再回头补对应的那一小块。只有当你打算改模型结构、读理论论文，才需要系统补线代与概率。补数学和动手可以交替进行，别等补完再开始。
没有显卡、也没预算，能学吗？
可以。先用在线算力或模型托管平台按需使用，很多任务用小数据集和现成模型就能完成；具体哪家划算、有没有免费额度，去站内算力与厂商目录按当期信息比一遍再决定。等确认要长期做再考虑买卡或租卡。
学多久能有产出，怎么找方向？
别按时间承诺，按项目数量算：跑通链路后再完成两到三个主题项目，基本能判断自己偏工程还是偏算法。方向从你熟悉的数据或业务场景里找，比从热门榜单里找更容易坚持，也更容易做出可展示的东西。
