如何上手AI？

好多人担心AI是不是会太难学不会咋办。笔者从过来人的角度告诉你只要通过一步一步踏踏实实地学习和积累是一定可以掌握AI技术的。那么要如何一步步上手AI呢且听笔者从入门计算机视觉领域来分析一二。工程AI研发岗位一般分为工程师和研究员两大类。顾名思义一个偏工程落地一个偏理论研究。但实际场景中这类岗位一般希望应聘者同时具备两方面能力既能跟踪前沿论文也能将最新方法落地应用起来。所以不管是研究员还是工程师一定的编程能力是必须具备的。Python作为新手不管有没有编程经验笔者建议从Python入门。为什么选择Python呢首先各大深度学习框架普遍支持Python语言业界的神经网络训练也以Python为主流。其次Python库生态最丰富、开发效率最高。第三Python属于脚本语言易于运行和调试有便捷的Anaconda和Miniconda等工具。深度学习框架业界应用较广的深度学习框架如TensorFlow和Pytorch都可以作为入门选择。TensorFlow经过了多个版本迭代功能丰富背靠Google文档及生态很好但接口较为繁琐可从其支持的Keras高级接口入门。而Pytorch相对简易一些很多最新论文就是基于Pytorch来实现的很适合快速上手。笔者在此提醒读者这些框架的本质是相通的都是先基于各种layer定义网络然后读取数据来一遍遍训练模型最后导出并部署训练得到的模型。理论好的工程师必然不是不断重复别人的工作需要在工作中融入自己对算法的理解。常言到知其然还要知其所以然。因此新手在具备了一定的工程能力后需要不断加强理论方面的学习和理解。当然也没必要谈理论色变相比于传统视觉方法深度学习的基础理论是比较容易理解的且网上的各种资料也很容易搜索到。笔者建议入门可分如下几步走。基本概念深度学习在计算机视觉领域的应用已有多年一些基本概念逐渐沉淀下来如卷积层及其变种、池化层、激活函数、FPN、各类Loss等这些是我们必须掌握的。主流模型一般可以选择两三个重点关注领域以计算机视觉为例可以重点关注图像分类、物体检测等。确定好领域后就该迅速了解所关注领域的主流模型和方法了。以检测为例可以去深入了解SSD、Yolo等主流模型并自己尝试写写代码用开源数据训练下看看效果。调参与训练通常学术研究的重点在于不断刷新方法的精度极限而工程落地的重点则在于所得模型要能满足应用场景的实际需要偏向于能够应付各种特殊情况保证足够强的稳定性。在这个过程中调参和训练技巧就很关键新手可以重点关注下数据增强和正则化进一步再从随机梯度下降优化算法的角度来加深对训练过程的理解。总结大家经过对上面所提几块内容的学习基本上算是入门了应该可以基于具体领域的一些主流方案来解决一些实际问题了。但是学海无涯要拿到百万年薪还需要我们不断精进自己的技艺产生自己对行业和方法的理解并不断推陈出新。