人工智能学习历程---计算机视觉篇

声明

         此文章均为个人意见，所写内容仅为个人经历和看法。文章内容不一定全面，正确性有待纠正，文章中所提及的内容不过是冰山一角，真正的学习需要去实际经历。因此本文仅供参考。

人工智能历史 

        人工智能诞生于1950 年，伟大的计算机科学家艾伦·图灵(Alan Turing)发表了一篇划时代的论文，预言了创造具有真正智能的机器的可能性。他提出了著名的图灵测试，以机器伪装人类对话的能力来衡量机器的智能水平。但是接着在往后的将近50年里，人工智能是先后经历了两次低谷、三次高潮。最近一次高潮就开始于2006年，神经网络专家Hinton提出神经网络深度学习算法，使神经网络的能力大大提高，向传统的机器学习算法：“支持向量机”发出挑战，同时开启了深度学习在学术界和工业界的浪潮。目前我们正处于第三次高潮的时代，人工智能热词屡见不鲜、人工智能技术正在以疯狂速度迭代发展。正如我们这些年来才使用到的技术：人脸识别、工业用品质量检测、智能驾驶、语音翻译等等。

人工智能现状

        随着互联网技术的不断更新迭代发展为人工智能提供了海量的数据，以及深度学习通过模拟人的大脑的神经网络的概念提出，深度学习日趋成熟 为AI发展奠定基础。使得目前人工智能的现状呈现出欣欣向荣的大好发展局面。那么也就是在近两年来，人工智能的产业热度逐步提升，市场规模持续增长，语言、视觉等技术已经能够步入实用和商用阶段，这也带动了就业岗位不断增多。总的一句来讲，如果你真的对人工智能感兴趣，真的肯沉下心来抓好基础、不断的拓展自己的能力，那么随着人工智能的发展，相信它不会让你失望。

人工智能未来

        在我看来，人工智能未来的发展趋势有二。

        趋势一：人工智能技术和物联网技术的融合。假设人工智能只是局限于单纯的软件的开发，没有项目的落地，那么就等于一个空客，只是做个样子罢了。试看当今的人流车流检测，是否最后都是要接入城市的摄像系统中。人脸识别、车牌号识别、自动驾驶最后都是要落地部署到相对应的物联硬件平台上。那么从如今众多比赛也不难看出，人工智能在智慧交通、智慧城市、智慧家庭、智慧制造等各个领域上都逐渐发光发热。

        趋势二：自主学习的人工智能。那么从我的人工智能之路一路走来，真正在开始项目的第一步往往是寻找合适、高质量的数据集。目前的监督式的学习，就需要大量的数据支持。少则几百M，动则两三G。那么让AI“大脑”变聪明是一个分阶段进行的过程，第一阶段是机器学习，第二阶段是深度学习，第三阶段是自主学习。只有达到自主学习的阶段才会更加贴近人类智能的水平。

人工智能方向

        目前主流的人工智能方向有很多，分法有很多种，分法各不相同，但内容大致相同。大致可以分成三个方向：自然语言处理（NLP）、计算机视觉（CV）、数据挖掘（DM）三个大方向。计算机视觉方向也是本文主要介绍的方向。有兴趣的小伙伴可以自行百度一下这三个方向的内容，这里就不在过多的阐述。

编程语言选择

        语言方面，人工智能使用最多的就是Python和C++（C++噩梦）。如今绝大多数项目都是这两种语言编写。那么我觉得如果是小白上手的话，可以先选Python。Python作为一种脚本语言，相比较于C++上手还是很容易的。不仅如此，Python种还有很多优秀的科学工具库可以使用，像比较经典的Numpy等等。再者，Python有许多开源的深度学习的框架，例如Google的Tensorflow，Facebook的Pytorch，以及今年来越做越好的百度的PaddlePaddle等等。那么自从Facebook 开源了 PyTorch 之后，Python 作为 AI 时代头牌语言的位置基本确立。那么为什么又有C++呢，没想到吧，Tensorflow和caffe的底层竟然是C++写的，Python 只是做了一层接口而已。同时C++也能更好的兼容部署到硬件平台上。

 机器学习

虽然机器学习在计算机视觉领域可以说是被深度学习领域吊打，但是深度学习也可以说是机器学习的一部分，两者在之间还是存在藕断丝连的关系，要想了解人工智能，机器学习的历程还是少不了的，基本的机器学习算法和知识点可以去了解一下。

深度学习

        往计算机视觉领域走的同学，那么就要吃透深度学习里的知识点。像比较常见的神经网络的知识点：什么是卷积层、池化层、全连接层?他们的作用是什么?什么是激活函数、损失函数?他们的作用又是什么?应该怎么样才能更好的使用他们？什么是前向传播算法、什么是反向传播算法？有什么作用？什么是正则化？Dropout的作用是什么？什么是数据归一化、标准化？什么是梯度消失、什么是梯度爆炸？不仅如此，还要了解神经网络中的各种超参数：学习率、batch_size、迭代次数（epoch）、图片大小等等。这里的知识点，多而杂，还是需要静下心来。多钻研钻研。当然，也大可不必为此而劝退，等你使用Python上手用框架敲项目的时候就会发现，这些高大上东西已经被打包好，成为一个函数的事了，就是调用一个函数的事，你可不能说你不会调用函数吧。但是这并不代表就可以彻底放飞。

        学完相对应的知识点之后就要开始学习深度学习的框架。主流框架有Tensorflow和Pytorch。Tensorflow更加适合工业应用上，Pytorch更加适用科研教育上。但是都是框架，没有好坏之分，对错之选，个人认为Pytorch比较好理解和使用一些。这个因人而异，结合自身情况。

实战过程

 目前我已经完成了蔬菜水果的图像分类任务、基于手部关键点的三维动态手势识别、基于特征向量提取的人脸识别系统、通过YOLOv5对车流量进行计数检测等。

总结

人工智能的学习道路充满了无限的挑战和机遇，未来任然有无限可能，你我一起共同努力。