的确，对于现在刚刚入行的深度学习新人来说，不怕吃苦，但最怕走弯路，最怕白白浪费时间。
知乎答主ycszen，在他看来，最大弯路，就是迷信论文，不去实验。
DLML其实是一门实践性的学科，只有通过实验才能把握到其中的细节与真谛。虽说也是在写程序，但是DL的程序基本上无法直观地debug，所以非得自己去复现一下，实践一下，用performance来说话，才知道有没有出错。
尤其是DL
，研究发展到现在，论文和实际做的东西脱节已经是心照不宣的事了。正因为NN+GD的鲁棒性，你xjb搞好像也能搞上去，所以写论文很多纯粹在编故事(好论文除外)
所以，我们最好不要一味相信论文所说，尤其是各种解释(经典算法，优秀论文除外)。NN就是个黑盒，谁也别说谁。而我们能做的，更重要的是，去实践去复现，去去伪存真，去发现其中真正的本质所在。
而知乎答主：YukiRain（CV/ML方向研究生在读）则认为，非科班出身，刚转型AI的程序员最大的弯路是：没学好数学。
而对于数学基础好，科班出生的AI程序员来说，则应注意以下几个问题：
1.一开始没人带的时候，看论文喜欢看最新的，很大程度上忽视了很多比较老比较基础的论文，嫌弃以前的方法performance不好什么的......感觉我身边一些人也走进过这个误区......
2.永远不要迷信某个特定的模型，不要因为random forest
在某个任务上效果好，就以后遇到什么任务都上random forest；也不要觉得深度学习就是万能的，什么都可以套神经网络解决；不要看到比赛里面大家整天用xgboost就整人云亦云地复制。学各种算法的时候，书上一般会告诉你这个算法有balabala优点一堆，但是一般不会告诉你这个算法也有balabala一堆缺点，我花了蛮长时间在这个坑里，慢慢摸索各种不同模型的特性。
3. 不要迷信一些理论性很强的论文，我一开始的时候，经常看到一大堆公式就下意识会觉得这个模型可能效果不错。事实上很多论文的理论推导和它的代码毫无关联（参见已经彻底回归炼丹的WGAN GP），还有很多论文的推导需要很强的assumption支持（参见每年都会出现在顶会的一些给模型加riemannian geometry的论文），等等。
那么面对这些弯路，又应该如何解决呢？
那就是走正统的教育路线，你follow的人一定是真正做事情的人。深度学习还没有达到批量化流水生产的阶段，因此一个好的“老师傅”比自学效果好很多。不仅如此，老师傅们一般都有自己多年经验总结出来的经验，往往可以避免很多不必要弯路。目前深度学习的资料有很多，动辄就有几个G的材料可以下载或者观看。而很多朋友都有“收集癖”，一下子购买十几本书的人我也常常能够看到。而深度学习的发展和变化速度很快，在入门期间，建议“小而精”的选择资料。这不仅可以节约重复学习的时间，也可以读有品位的材料。
请相信我，这是一堂性价比爆炸的课程，超值到你如果不买，会后悔的那种。
