深度学习是机器学习的一个分支,支撑着图像识别、语音模型以及像 ChatGPT 这样的工具中的大语言模型。它通过训练包含多层的神经网络,去发现简单模型容易遗漏的数据模式。
难点在于如何选择起点。有的课程以数学为主,有的以代码为主,还有许多课程仍在教授这个领域已不再主流的库与技术。
这份清单涵盖了适合初学者、理论基础、计算机视觉、语言模型、Hugging Face,以及训练大模型的最佳深度学习课程。
课程评分、评价数量与学习人数最近核实于 。
最佳深度学习课程对比
最佳深度学习入门课程
对初学者而言,最好的深度学习课程应先让您快速训练一个可用的神经网络,再解释背后的原理。除了我们的零代码入门,其他 3 个推荐都需要基础的 Python 能力。
我们最受欢迎的深度学习课程,也是 Deep Learning in Python 学习路径的第一门课。
- 级别: 中级
- 时长: 4 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 想用 Python 构建并训练第一个神经网络的用户
课程涵盖网络结构、超参数、训练循环,以及在分类与回归问题中评估与改进模型。已有 92K 名学习者,约需 4 小时完成。
课程于 2026 年 1 月更新,PyTorch 代码与当前版本一致。目录将其标为中级,因为默认您已会编写 Python。
我们的零代码机器学习入门课,深度学习即建立在此之上。
- 级别: 初级
- 时长: 2 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 完全零基础,想在编写模型前先了解模型是什么的人
本课程无需代码,解释了有监督与无监督学习、模型训练以及深度学习的定位。拥有 312K 名学习者,是本文提及课程中参与人数最多的。
它本身并非深度学习课程。如果“训练数据”“过拟合”等术语对您是新的,请先学此课,然后直接转到 Introduction to Deep Learning with PyTorch。
Jeremy Howard 提供的免费课程,自顶向下教授深度学习,从可用的模型入手。
- 级别: 中级。需要熟练使用 Python。
- 时长: 自定进度,由一系列较长的视频课程组成
- 费用: 免费
- 适合对象: 更擅长先动手构建、再补理论的程序员
课程在第一课就带您训练图像分类器,随后依次学习计算机视觉、文本、表格数据与推荐系统。它使用构建在 PyTorch 之上的 fastai 库。
这是最好的免费深度学习课程。权衡之处在于,fastai 会屏蔽部分 PyTorch 细节,而这些细节往往出现在岗位要求中。
我们的建议:若您想在简历上写明 PyTorch 技能,请从我们的 Introduction to Deep Learning with PyTorch 开始。若您更看重成本而非结构化路径,可选择 fast.ai 的 Practical Deep Learning for Coders。
最佳理论与基础深度学习课程
基础课程会解释神经网络为何能学习:反向传播、优化、正则化与初始化。这些推荐适合想调试“训练不动”的模型,而不仅是搭出“能跑”的模型的学习者。
Andrew Ng 的 5 门课程项目,Coursera 页面显示学习者接近 100 万。
- 级别: 中级。具备一定线性代数与微积分更佳。
- 时长: 根据 Coursera 页面,每周 10 小时,约 3 个月
- 费用: Coursera 订阅
- 适合对象: 希望从第一性原理系统理解理论的学习者
该专精涵盖神经网络基础、调参与正则化、机器学习项目结构化、卷积网络与序列模型。Andrew Ng 按步骤讲解数学,这也是它至今仍是理论学习的标准推荐。
其编程作业使用 TensorFlow,而当前多数研究代码使用 PyTorch。如果工作需要 PyTorch,请另行学习。
我们的进阶课程,聚焦让真实模型无法训练的那些问题。
- 级别: 中级
- 时长: 4 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 已能搭建基础网络、现在需要其稳定收敛的学习者
课程涵盖稳定收敛的训练方法、用于图像的卷积网络、用于序列的循环网络(如 LSTM 与 GRU),以及多输入与多输出结构。约需 4 小时。
基于 2,387 条评价,评分 4.8/5。与上面的专精相比更为实用且短得多。
我们的建议:若想系统掌握完整理论,请学习 DeepLearning.AI 的 Deep Learning Specialization。若您更需要尽快掌握可用的 PyTorch 技能,我们的 Intermediate Deep Learning with PyTorch 在 4 小时内覆盖最重要的基础。
最佳计算机视觉深度学习课程
计算机视觉是利用深度学习对图像中的内容进行分类、检测与分割。这些课程适合已完成深度学习入门课程的学习者。
我们的主力计算机视觉课程,也是 Deep Learning in Python 路径中的第三门课。
- 级别: 高级
- 时长: 4 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 想构建图像分类、目标检测与分割模型的学习者
课程在 PyTorch 中讲解卷积神经网络、目标检测、图像分割与图像生成。约需 4 小时。
我们的目录将其列为高级。如果您对 PyTorch 仅停留在基础,请先学习 Intermediate Deep Learning with PyTorch。
面向使用 Keras 的学习者所开的卷积网络课程。
- 级别: 高级
- 时长: 4 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 已有 Keras 或 TensorFlow 代码库的团队
我们不为本课程引用星级评分。它有 94 条评价,低于我们发布评分所需的 200 条门槛。
该课程拥有 40K 学习者,并于 2026 年 1 月进行了内容刷新;如果您的框架是 Keras,仍是稳妥之选。若从零开始,优先选择上面的 PyTorch 课程。
我们的建议:优先学习我们的 Deep Learning for Images with PyTorch。仅当您的团队已在使用 Keras 时,选择 Image Modeling with Keras。
Transformer 是现代语言模型(包括 GPT 与 Claude)背后的神经网络架构。这些课程将带您从经典文本模型走向自行构建与使用 Transformer。
我们的课程,从组件出发构建 Transformer。
- 级别: 高级
- 时长: 2 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 想理解 LLM 内部工作机制,而不仅是调用接口的学习者
课程从 Transformer 模型的构建模块讲起,然后在 PyTorch 中将其组装为完整的 Transformer 架构。仅 2 小时,是本文最短的课程之一。
它于 2026 年 7 月更新,是本文中我们深度学习课程里最近的一次更新,评分 4.8/5(977 条评价)。
我们的文本分类与生成课程,基于神经网络。
- 级别: 高级
- 时长: 4 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 想完整掌握从文本预处理到序列模型全流程的学习者
课程涵盖为深度学习准备文本、文本分类、文本生成,以及更高级的文本建模主题(基于 PyTorch)。约需 4 小时。
若您刚接触文本数据,建议先于 Transformer Models with PyTorch 之前学习本课。
我们的课程,讲解如何使用与微调预训练语言模型。
- 级别: 中级
- 时长: 3 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 更关注利用现有模型拿结果、而非从零训练的从业者
课程涵盖预训练 LLM 的入门、微调与性能评估。已有 37K 名学习者。
它处于深度学习与应用型 AI 之间。多数团队更常使用预训练模型,而不是频繁训练新模型。
我们的建议:先学 Transformer Models with PyTorch 理解架构,再学 Introduction to LLMs in Python 将预训练模型投入实践。
最佳大模型训练课程
训练大模型意味着将工作分布到多块 GPU 上,并降低每一步训练的成本。这些课程适合模型已超出单机能力的从业者。
我们的课程,讲解分布式与内存高效训练。
- 级别: 高级
- 时长: 4 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 需要训练或微调超出单块 GPU 内存限制模型的工程师
我们不为本课程引用星级评分。其评价为 109 条,低于我们 200 条的门槛,但已于 2026 年 5 月更新。
课程涵盖使用 Accelerator 与 Trainer 的分布式训练、缩短训练时间的方法、内存高效优化器,重点面向大语言模型。约需 4 小时,目录中标为高级。
我们的课程,使用 Lightning 组织 PyTorch 训练代码。
- 级别: 中级
- 时长: 3 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 希望训练代码更整洁、可复现的团队
我们同样不为本课程引用星级评分(评价 126 条)。课程涵盖在 PyTorch Lightning 中构建模块化模型、高级训练技巧与模型优化,使其具备可扩展性。
约需 3 小时。
我们的建议:若您的问题在于训练成本或 GPU 内存,请学习 Efficient AI Model Training with PyTorch。若问题在于训练代码混乱,请选择 Scalable AI Models with PyTorch Lightning。
最佳深度学习学习路径
学习路径是按顺序修读的一组课程。适合希望从第一个网络到高级模型都有明确路线、而不想逐门挑选课程的学习者。
我们的主力深度学习路径,由上述 5 门 PyTorch 课程组成。
- 级别: 中高级
- 时长: 约 18 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 想通过一条完整路径学习 PyTorch 深度学习的学习者
该路径按顺序学习 Introduction to Deep Learning with PyTorch、Intermediate Deep Learning with PyTorch、Deep Learning for Images with PyTorch、Deep Learning for Text with PyTorch 与 Transformer Models with PyTorch。以上 5 门课程均在过去 18 个月内更新。
该评分为 5 门课程按评价加权后的平均值,因为学习路径页面本身没有评分。
我们的应用型学习路径,用于使用预训练深度学习模型。
- 级别: 初中级
- 时长: 约 12 小时
- 费用: 包含在 DataCamp 订阅内。第一章免费。
- 适合对象: 希望使用而非从零构建深度学习模型的从业者
该路径涵盖 Working with Hugging Face、Introduction to LLMs in Python、Multi-Modal Models with Hugging Face 与 AI Agents with Hugging Face smolagents。这是更快将深度学习用于交付的路线。
我们未纳入 Keras Fundamentals 学习路径。其 4 门课中有 3 门在过去 18 个月内未更新内容。
我们的建议:若您想理解并构建神经网络,请学习 Deep Learning in Python 路径。若您想将其应用于实务,请选择 Hugging Face Fundamentals。
我们如何挑选这些课程
深度学习发展迅速,三年前教授对的工具的课程,如今可能已帮不上忙。因此我们首先关注内容的新近程度。此处列出的每门课程都在过去 18 个月内更新,这也是一些知名的旧课程未被纳入清单的原因。
我们也更青睐那些让您亲自编写并训练真实模型的课程,而不是只看他人演示。我们选中的许多课程使用 PyTorch,因为您最有可能在当前研究论文、开源项目和岗位描述中遇到它。
结语
对大多数人来说,应在 PyTorch 中学习深度学习,从我们的 Introduction to Deep Learning with PyTorch 开始。若想系统掌握理论,可补充 DeepLearning.AI 的专精课程;fast.ai 的课程也是不错的选择。
完成基础后,按您的用例选择方向。做视觉选 Deep Learning for Images with PyTorch,做语言模型选 Transformer Models with PyTorch,若想直接使用现有模型,学 Working with Hugging Face。
深度学习是机器学习的一个分支,支撑着图像识别、语音模型以及像 ChatGPT 这样的工具中的大语言模型。它通过训练包含多层的神经网络,去发现简单模型容易遗漏的数据模式。
难点在于如何选择起点。有的课程以数学为主,有的以代码为主,还有许多课程仍在教授这个领域已不再主流的库与技术。
这份清单涵盖了适合初学者、理论基础、计算机视觉、语言模型、Hugging Face,以及训练大模型的最佳深度学习课程。
课程评分、评价数量与学习人数最近核实于 。
最佳深度学习课程对比
您该选哪门深度学习课程?
最佳深度学习入门课程
对初学者而言,最好的深度学习课程应先让您快速训练一个可用的神经网络,再解释背后的原理。除了我们的零代码入门,其他 3 个推荐都需要基础的 Python 能力。
1. Introduction to Deep Learning with PyTorch
我们最受欢迎的深度学习课程,也是 Deep Learning in Python 学习路径的第一门课。
课程涵盖网络结构、超参数、训练循环,以及在分类与回归问题中评估与改进模型。已有 92K 名学习者,约需 4 小时完成。
课程于 2026 年 1 月更新,PyTorch 代码与当前版本一致。目录将其标为中级,因为默认您已会编写 Python。
2. Understanding Machine Learning
我们的零代码机器学习入门课,深度学习即建立在此之上。
本课程无需代码,解释了有监督与无监督学习、模型训练以及深度学习的定位。拥有 312K 名学习者,是本文提及课程中参与人数最多的。
它本身并非深度学习课程。如果“训练数据”“过拟合”等术语对您是新的,请先学此课,然后直接转到 Introduction to Deep Learning with PyTorch。
3. Practical Deep Learning for Coders(fast.ai)
Jeremy Howard 提供的免费课程,自顶向下教授深度学习,从可用的模型入手。
课程在第一课就带您训练图像分类器,随后依次学习计算机视觉、文本、表格数据与推荐系统。它使用构建在 PyTorch 之上的 fastai 库。
这是最好的免费深度学习课程。权衡之处在于,fastai 会屏蔽部分 PyTorch 细节,而这些细节往往出现在岗位要求中。
我们的建议:若您想在简历上写明 PyTorch 技能,请从我们的 Introduction to Deep Learning with PyTorch 开始。若您更看重成本而非结构化路径,可选择 fast.ai 的 Practical Deep Learning for Coders。
最佳理论与基础深度学习课程
基础课程会解释神经网络为何能学习:反向传播、优化、正则化与初始化。这些推荐适合想调试“训练不动”的模型,而不仅是搭出“能跑”的模型的学习者。
1. Deep Learning Specialization(DeepLearning.AI,发布于 Coursera)
Andrew Ng 的 5 门课程项目,Coursera 页面显示学习者接近 100 万。
该专精涵盖神经网络基础、调参与正则化、机器学习项目结构化、卷积网络与序列模型。Andrew Ng 按步骤讲解数学,这也是它至今仍是理论学习的标准推荐。
其编程作业使用 TensorFlow,而当前多数研究代码使用 PyTorch。如果工作需要 PyTorch,请另行学习。
2. Intermediate Deep Learning with PyTorch
我们的进阶课程,聚焦让真实模型无法训练的那些问题。
课程涵盖稳定收敛的训练方法、用于图像的卷积网络、用于序列的循环网络(如 LSTM 与 GRU),以及多输入与多输出结构。约需 4 小时。
基于 2,387 条评价,评分 4.8/5。与上面的专精相比更为实用且短得多。
我们的建议:若想系统掌握完整理论,请学习 DeepLearning.AI 的 Deep Learning Specialization。若您更需要尽快掌握可用的 PyTorch 技能,我们的 Intermediate Deep Learning with PyTorch 在 4 小时内覆盖最重要的基础。
最佳计算机视觉深度学习课程
计算机视觉是利用深度学习对图像中的内容进行分类、检测与分割。这些课程适合已完成深度学习入门课程的学习者。
1. Deep Learning for Images with PyTorch
我们的主力计算机视觉课程,也是 Deep Learning in Python 路径中的第三门课。
课程在 PyTorch 中讲解卷积神经网络、目标检测、图像分割与图像生成。约需 4 小时。
我们的目录将其列为高级。如果您对 PyTorch 仅停留在基础,请先学习 Intermediate Deep Learning with PyTorch。
2. Image Modeling with Keras
面向使用 Keras 的学习者所开的卷积网络课程。
我们不为本课程引用星级评分。它有 94 条评价,低于我们发布评分所需的 200 条门槛。
该课程拥有 40K 学习者,并于 2026 年 1 月进行了内容刷新;如果您的框架是 Keras,仍是稳妥之选。若从零开始,优先选择上面的 PyTorch 课程。
我们的建议:优先学习我们的 Deep Learning for Images with PyTorch。仅当您的团队已在使用 Keras 时,选择 Image Modeling with Keras。
最佳文本与 Transformer 深度学习课程
Transformer 是现代语言模型(包括 GPT 与 Claude)背后的神经网络架构。这些课程将带您从经典文本模型走向自行构建与使用 Transformer。
1. Transformer Models with PyTorch
我们的课程,从组件出发构建 Transformer。
课程从 Transformer 模型的构建模块讲起,然后在 PyTorch 中将其组装为完整的 Transformer 架构。仅 2 小时,是本文最短的课程之一。
它于 2026 年 7 月更新,是本文中我们深度学习课程里最近的一次更新,评分 4.8/5(977 条评价)。
2. Deep Learning for Text with PyTorch
我们的文本分类与生成课程,基于神经网络。
课程涵盖为深度学习准备文本、文本分类、文本生成,以及更高级的文本建模主题(基于 PyTorch)。约需 4 小时。
若您刚接触文本数据,建议先于 Transformer Models with PyTorch 之前学习本课。
3. Introduction to LLMs in Python
我们的课程,讲解如何使用与微调预训练语言模型。
课程涵盖预训练 LLM 的入门、微调与性能评估。已有 37K 名学习者。
它处于深度学习与应用型 AI 之间。多数团队更常使用预训练模型,而不是频繁训练新模型。
我们的建议:先学 Transformer Models with PyTorch 理解架构,再学 Introduction to LLMs in Python 将预训练模型投入实践。
最佳大模型训练课程
训练大模型意味着将工作分布到多块 GPU 上,并降低每一步训练的成本。这些课程适合模型已超出单机能力的从业者。
1. Efficient AI Model Training with PyTorch
我们的课程,讲解分布式与内存高效训练。
我们不为本课程引用星级评分。其评价为 109 条,低于我们 200 条的门槛,但已于 2026 年 5 月更新。
课程涵盖使用 Accelerator 与 Trainer 的分布式训练、缩短训练时间的方法、内存高效优化器,重点面向大语言模型。约需 4 小时,目录中标为高级。
2. Scalable AI Models with PyTorch Lightning
我们的课程,使用 Lightning 组织 PyTorch 训练代码。
我们同样不为本课程引用星级评分(评价 126 条)。课程涵盖在 PyTorch Lightning 中构建模块化模型、高级训练技巧与模型优化,使其具备可扩展性。
约需 3 小时。
我们的建议:若您的问题在于训练成本或 GPU 内存,请学习 Efficient AI Model Training with PyTorch。若问题在于训练代码混乱,请选择 Scalable AI Models with PyTorch Lightning。
最佳深度学习学习路径
学习路径是按顺序修读的一组课程。适合希望从第一个网络到高级模型都有明确路线、而不想逐门挑选课程的学习者。
1. Deep Learning in Python
我们的主力深度学习路径,由上述 5 门 PyTorch 课程组成。
该路径按顺序学习 Introduction to Deep Learning with PyTorch、Intermediate Deep Learning with PyTorch、Deep Learning for Images with PyTorch、Deep Learning for Text with PyTorch 与 Transformer Models with PyTorch。以上 5 门课程均在过去 18 个月内更新。
该评分为 5 门课程按评价加权后的平均值,因为学习路径页面本身没有评分。
2. Hugging Face Fundamentals
我们的应用型学习路径,用于使用预训练深度学习模型。
该路径涵盖 Working with Hugging Face、Introduction to LLMs in Python、Multi-Modal Models with Hugging Face 与 AI Agents with Hugging Face smolagents。这是更快将深度学习用于交付的路线。
我们未纳入 Keras Fundamentals 学习路径。其 4 门课中有 3 门在过去 18 个月内未更新内容。
我们的建议:若您想理解并构建神经网络,请学习 Deep Learning in Python 路径。若您想将其应用于实务,请选择 Hugging Face Fundamentals。
我们如何挑选这些课程
深度学习发展迅速,三年前教授对的工具的课程,如今可能已帮不上忙。因此我们首先关注内容的新近程度。此处列出的每门课程都在过去 18 个月内更新,这也是一些知名的旧课程未被纳入清单的原因。
我们也更青睐那些让您亲自编写并训练真实模型的课程,而不是只看他人演示。我们选中的许多课程使用 PyTorch,因为您最有可能在当前研究论文、开源项目和岗位描述中遇到它。
结语
对大多数人来说,应在 PyTorch 中学习深度学习,从我们的 Introduction to Deep Learning with PyTorch 开始。若想系统掌握理论,可补充 DeepLearning.AI 的专精课程;fast.ai 的课程也是不错的选择。
完成基础后,按您的用例选择方向。做视觉选 Deep Learning for Images with PyTorch,做语言模型选 Transformer Models with PyTorch,若想直接使用现有模型,学 Working with Hugging Face。