|
关于人工智能，怎样才可快速入门，该去怎样学习？
1、我无成功经验，仅有失败经验
首要说，我写博客的重点目是输出倒逼输入。我既然写了，就得为了能写出东西而去学习，最起码我得先晓得是怎么回事，而后才可用自己的语言描述出来。我是一个懒人，然则又想上进，就想出这么一个被强迫的办法。并不是我已然功成名就、知识多的往外涌了，才开坛论道，传道授业。
由于我无成功，因此无成功经验。
然则，设备学习我已然科研6年了。我从2018-04-11在QQ空间写了第1篇《报告：白话人工智能》，那时就起始总结自己的学习成果，那时是给自己看，此刻是给大众看。
然则，到日前为止，兜兜转转，我依然无什么建树，亦无成个名、成个腕儿，更无得到个诺贝尔奖啥的。
虽然默默无闻，然则我这六年不是白白浪费的，我是没日没夜地浪费的，起码我晓得浪费在哪里，这些失败经验，我能够告诉大众。
2、杀猪捅屁股，各有各的招
给大众看一张网上流传的设备学习入门路线。
这张图密密麻麻地写满了你去学习-设备学习-的-学习路线，大大概上百项。
第1项最基本的便是“矩阵、线性代数”。其他还有DataFrames、Extract、Transform、RegEx、pdfs……
我的基本很差，学历亦不高。然则设备学习对基本学科的需求很高，起码亦得是硕士才能够入门去搞，因此我晓得自己的弱项。
我就想按这个路线学习，立志要踏踏实实一步一个脚印，即便是向西天取经同样难，我亦要保持，虽然无上三年的科研生，然则我要用六年的时间去自学关联的知识。
于是，我就先起始学习矩阵。非常多的免费公开课上有矩阵关联的课程，我起始一节不落地学习。
断断续续学了2个月，我在想，这么枯燥的课程有什么用，哪里能用到？
于是，我烦躁了，我起始直接看人工智能项目的代码。
我先看了《TensorFlow实战Google深度学习框架》这本书，翻开一看，妈呀还是矩阵：
看不懂，很受挫，反思还是基本没打好，我就又返回去学习矩阵。
又学了一段时间，我跑到楼下同卖驴肉火烧的大哥（数学系本科）切磋了一下，感觉自己在餐饮行业的矩阵界已然无敌了。
翻开书继续看，越过矩阵后，它又起始讲概率，尤其触及到各样公式的时候，又看不懂了。
我又去学概率，奔着打牢基本的目的，又学了1个月的概率分布。
我在想，倘若根据这种节奏学下去，我再30年亦未必能摸上人工智能的手。
3、别多想，干就完了
我起始找项目，从实战出发，以运行代码为主，运行代码看效果，加强兴趣。此时，第二本书《21个项目玩转深度学习：基于TensorFlow的实践详解》被我找到了。我起始搭环境运行上面的例子。
有时候，基本不晓得代码是什么意思，不碍事，你就想，要全看懂得20年后了，此刻先跑起来，感受它的神奇之处。倘若想要认识理论知识，就去找对应的理论讲解。
其实奔着这个目的，反而无心理压力了。原来由于看不懂而上火，此刻看不懂是正常的。
然则，道路依旧很坎坷。想成功运行起来一个项目，太难了，各样环境问题，各样配置问题，有时候需要1星期乃至一月的时间，才可起来项目。然则，当你运行起来的时候，你会有种错觉：这些代码便是你写的，这个项目便是你的作品！
或许，那不是错觉，从某种维度上，那便是你的劳动成果。就如同你自己亲手组装了一台电脑，你不消留意CPU是不是你亲手制作的。
在处理问题的过程中，你会学到非常多知识。这些知识，不是体系的，不像29集矩阵课程那样完整，它是散落的，只和这一次项目相关。
跑完了这些例子，虽然你还是不晓得实现这些功能的细节。然则，你对深度学习会有一个层次上的认识。例如，讲到GAN，你晓得是对抗生成网络，便是自己和自己干起来，自己造假，而后自己辨伪，你跑过一个例子，便是自动生成动漫头像的，你亦晓得想要搞定这些，先得需要有些动漫头像做为训练集。
跑完这些例子，你就晓得了深度学习有那些行业，有处理自然语言的，有处理照片的，有处理音视频的。当你看到自动打游戏，你会说这是经过“强化学习”来实现的，里面有什么经验池，走对了有奖励啥的。
为何你忽然会认识这些？由于你花了1星期多的时间跑了一个例子啊，那个例子便是讲“强化学习”的，因此你才这么刻骨铭心。
到此，深度学习在咱们心中相当于有了一个轮廓，虽然不晓得它的面容，然则晓得他是一个人。
4、吗亦不行，事情还得从长计议
至此，你以为你无敌了。
其实，你吗亦不是：你运行的只是别人写好的代码，只能实现固定的功能。
我问你，你成功运行过一个自动生成莎士比亚歌剧的例子，倘若让你做一个自动生成曾国藩家书，你行吗？
你骄傲地认为便是替换数据集就能够，由于你试过将莎士比亚的数据替换成富兰克林的数据，是无问题的。
然则一换曾国藩的数据就完蛋了。原由便是英文和中文的分词办法是有区别的，然则她们的原理却是与语言无关的。你只需要改动某一个地区就可以，但便是不晓得该改哪里。
当你想改造的时候，你发掘，前面能跑通例子的成就感，是个错觉，你基本就掌控不了它。
那好，那就去试着认识它的原理，仅有懂了原理，才晓得该在哪里开刀和缝合。
这就又回到了那个学习基本学科的起点。你又看到这些讨厌却又没法绕开的公式，像下面这般：
虽然面临的还是同一个问题，看似又回到了起点，但其实差别很大。就像你工作十年后，再让你去高考，虽然有些题还是不会做，然则你却晓得了高考寓意着什么，大学该去怎么有重点的学习和社交。
此时候，真得静下心来科研了，科研不要分心，不要扩展，就弄明白这一个点就行，由于精力有限。
这可能是比较艰难的时刻了，挺不外去就放弃了，挺过去了后面还会有更难的。
能到这一步，深度学习在咱们心中相当于有器官了，咱们能清楚地晓得耳朵、眼睛在哪里，是什么形状。
5、不只是你迷茫，大众都有疑问
当你看到上面这些东西，最终能明白是什么意思的时候，你忽然发掘，框架版本升级了，到了2.0不消再关心这些了。心情有点不愉悦。
1.0时，还需要关心原理的东西，还需要去设计矩阵结构，到了2.0完全不需要了。
此时，旧版的1.0你还无完全搞明白，新版的2.0就到来了。
要不要学？ 保持1.0：然则2.0真的很有效，你用1.0研发2个月还各样反常问题，别人用2.0三天就能够完成况且还稳定。尝试2.0：无理论根基，变成为了一个无脑的API调用者，不认识原理总感觉是处在鄙视链的最末一环。学完1.0再学2.0：那时再出来个3.0该怎么办？
6、官方的脚步，大大都是趋势
我是从TensorFlow 1.x的张量、图、会话起始学习的，以我笨拙的资质，其晦涩程度如同看哪些公式。
然则当TensorFlow 2.x发布后，尤其针对初学者的高阶API，尤其是官方主推的keras，让编程变得极其简单，仅需几十行代码就可完成一个神经网络的训练和运用。
我纠结过一阵子，最后还是选取了新版本，亦期盼大众都运用新版本。
原由有如下几点，这几点亦是官方力推新版的理由： 新版本简单易懂，入门容易。越简单，群众基本就会越大，生态会越强。倘若全世界就几个老头能把握，那样它离灭绝就不远了，不管是技术还是老头。新版本经过包装，产能有效。你学习它，便是为认识决问题和创造价值的。既然新版能够更快更稳地产出效果，那样就该运用它。所说原理鄙视，其实是代沟。你运用3.0版本会觉得4.0版本是无脑调用。其实，3.0刚出来时，亦被2.0鄙视过。就像80年代的汽车驾驶员鄙视此刻的司机不会修车同样，其实修车的工作不是消失了，只不外是换别人来做了。
7、给大众的意见
总结一下： 倘若你的基本学科（编程、数学）很差，又想早点入门，并且目的不是当一个人工智能专家，只想拿它当工具来处理问题。那样，我意见你直接找实战小项目，先运行起来再说，培养兴趣，累积经验。就像高中毕业就去打工，先体验挣钱的感觉。等到别人7年后硕士毕业起始去打工了，你再返回去上课。积极面对新技术、新语言、新版本，倘若它能让更加多的人用更少的投入去产生更加多的价值，那它便是值得学习的，便是将来的方向。不要留意门槛高低，从肯德基的汉堡制作，到面粉生产，再到小麦种植，每一个层级都有人做，况且都能够做的很好。能够经过分轮的方式去学习。不要着急弄清楚一切，准许自己有不懂的地区。就像画画，第1轮先画一个轮廓，第二轮区分一下布局，第三轮细化，第四轮润色，古人云：书读百遍其义自见。
日前我依然是一个初学者，看着英文文档学习，只是一个搬运工，无能力当大众的老师，只能在我博客触及内容的范围内，给大众做有些详解。由于只要我写出来的，必定是我已然理解透彻的。
我是这般学习AI的，当然亦不出彩，仅给大众供给一个参考。
| 
发表于 2024-9-28 12:10:02