我的AI之路(1)--前言

   现在觉得非常有必要写文章,把知道的记录下来才不会遗忘,再好的记忆力比不上三寸烂笔头,真是这样,有时积累了一点技术经验自恃记性还好懒得写,结果一两年后再干同样的活时想不起来当初怎么干的细节,那后悔啊,抓耳挠腮哭,好在有blog这好玩意,到博客上打字记录比较好玩。 

      目前在嵌入式行业用C谋生十年了,之前在Java EE平台上干C/S/S、B/S/S三层系统6年多,再之前用古老的PB、Delphi +Oracle干C/S两层系统两三年。从去年开始决定转行加入看起来好promising的AI这行,知道学习成长道路漫长,经历和经验有必要记录下来,日后备查可能反复用得上,还能跟同行分享交流,定了以后就到CSDN上坚持记录AI修行路上的历程大笑

      有天天看下新闻的习惯,除了专心琢磨工作本行的技术活外,对外面的世界的变化也保持不out,去年7月<<国务院关于印发新一代人工智能发展规划的通知>>发布后感觉到从事AI研发这行必将是热得发烫,于是利用晚上和周末空余时间开始学,网上找<<深度学习>>之类的各种ML、DL理论介绍pdf了解AI这行都要用到什么基础知识和编程语言,经过一段时间了解明白了一些基础知识都是怎么回事,python嘛平时我写过脚本用来做编译脚本工,如果你没用过,作为用过c,c++ Java 和各种script之类的语言的人学起来可以说应该没什么难度,感觉Python基础知识的部分看书时可以快速过,一个月动手看懂和修改别人的简单代码一般人应该都可以做到,当然使用Django之类的框架写代码弄出个自己的小系统来,恐怕还得时不时的照着书看着写,毕竟,熟悉mumpy matplotlib scipy之类的各种工具库包和API需要长时间积累,关于Python数据可视化这块是大头,有好多书需要慢慢学和练习。

    后来11月国家又指定了BAT和讯飞的四大平台,瞬间觉得国家这是真的要干AI这大业啊,这方向没走错啊,坚持下去前方应该光芒万丈的大笑,于是直接上chinapub和JD上把自己觉得对学习AI有用的、看作者比较牛的、或者看目录内容提要写得还不错的关于ML DL TF Caffe之类的书搜罗到收藏阁,按照学习步骤需要,到今年4月为止分七批买了几十本,其中觉得写得好的适合初学者的书从头到尾精读,比如<<深度学习轻松学>>、<<白话深度学习与TensorFlow>>、<<面向机器智能TensorFlow实践>>、<<TensorFlow实战Google深度学习框架>>、<<深度学习 21天实战Caffe>>、<<深度学习入门之PyTorch>>、<<深度学习Caffe之经典模型详解与实战>><<Python机器学习及实践>>,有部分大部头宝典比如牛人Ian Goodfellow等人写的<<深度学习>>,感觉只适合后面做参考手册,初学阶段先把前面的介绍性章节看完,后面的纯理论知识点介绍以后工作中需要深入了解时再查看,效率更高,不然根本没动手实践,没什么体验就去看那些理论细节看完很快就忘了,有些细节可能一下搞不明白,这样学效率很低。 以前学生时代大约都很少这么努力看过书,近一年时间来下班回家后充分利用时间一本接一本的啃, 数学知识部分需要把大学时期的高数、线性代数、概率统计的书翻出来(幸好数学和英语教材多年来一直随身带着辗转南北舍不得丢,没想到今天还真又重新用上了,没辜负多年收藏)重新看一遍找回记忆,这活说不累是假的,但是每当弄明白一个AI知识点、了解了一个理论及其应用原理,每天知道又多一点,有收获的感觉还是蛮好,晚上床上看书看着看着睡着了也是一种幸福大笑 截至7月已看完深度学习、常用算法、TensorFlow、Caffe、PyTorch、计算机视觉、OpenCV、机器人操作系统ROS、无人驾驶等方面的书21本,继续看书中...下一步打算先了解一下SLAM。

    关于Pyhton的入门和实践之类的书,网上很多pdf可以下载看,用Linux上的python2.7和python3.6环境或者在windows上安装这两个版本的exe,然后用IDLE界面写代码和执行即可,如果觉得太简单不便于编辑代码,可以安装Geany,PyCharm或微软的visual studio code之类的工具,很多工具网上各说各的好处坏处,自己觉得好用就行了,我一直使用PyCharm觉得超好用。

     关于TensorFlow, Caffe, PyTorch的动手实战指导书,经过比较后,我使用<<深度学习之TensorFlow>>、<<深度学习 21天实战Caffe>>、<<深度学习入门之PyTorch>>,觉得书准备多一点对比着看,可以互相补充互相参照,一本书里没说明白的知识另一本书里说不定就说得很清楚,TF、Caffe、PyTorch(Caffe2)几大流行工具都学一下,作为初学者应该都体验一下总是有好处的,比较优劣也同时互相参照,体会应该更深一点,掌握更快一点,虽然以后工作中可能只使用其中的一种工具,多了解一点以后总是好处多多。

    2017年国家发布那些指导政策后,出版社和AI这行的先入行者蹭这热度挣钱,AI方面的书的出版出现了井喷,感觉好多书都是2017年到2018年出版的,2016年之前出版的并不多,从书里面介绍的作者本人的AI行业从业经验来看,多数都是一线应用研发,不是搞纯理论研究的,进入这行比较早的好像是2012年左右,那时应该是AI理论在和应用刚刚取得飞跃性突破吧,晚一点的2015年左右开始入行,所以跟这些先行者之间有3-6年的差距,需要努力追赶敲打, 希望3年后的自己能从容琢磨AI算法设计和应用问题、与大牛讨论技术问题奋斗偷笑

后续文章 :

 

我的AI之路(1)--前言

我的AI之路(2)--安装Fedora 28

我的AI之路(3)--安装Anaconda3 和Caffe

我的AI之路(4)--在Anaconda3 下安装Tensorflow 1.8

我的AI之路(5)--如何选择和正确安装跟Tensorflow版本对应的CUDA和cuDNN版本

我的AI之路(6)--在Anaconda3 下安装PyTorch

我的AI之路(7)--安装OpenCV3_Python 3.4.1 + Contrib以及PyCharm

我的AI之路(8)--体验用OpenCV 3的ANN进行手写数字识别及解决遇到的问题

我的AI之路(9)--使用scikit-learn

我的AI之路(10)--如何在Linux下安装CUDA和CUDNN

我的AI之路(11)--如何解决在Linux下编译OpenCV3时出现的多个错误

我的AI之路(12)--如何配置Caffe使用GPU计算并解决编译中出现的若干错误

我的AI之路(13)--解决编译gcc/g++源码过程中出现的错误

我的AI之路(14)--Caffe example:使用MNIST数据集训练和测试LeNet-5模型

我的AI之路(15)--Linux下编译OpenCV3的最新版OpenCV3.4.1及错误解决

我的AI之路(16)--云服务器上安装和调试基于Tensorflow 1.10.1的训练环境

我的AI之路(17)--Tensorflow和Caffe的API及Guide

我的AI之路(18)--Tensorflow的模型安装之object_detection

我的AI之路(19)--如何在Windows下安装pycocotools PythonAPI

我的AI之路(20)--用Tensorflow object_detection跑raccoon数据集

我的AI之路(21)--用Tensorflow object_detection跑PASCAL VOC 2012数据集

我的AI之路(22)--使用Object_Detection_Tensorflow_API

我的AI之路(23)--在Windows下编译Bazel和使用Bazel编译tensorflow

 

评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Arnold-FY-Chen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值