兩個月入門深度學習，全靠動手實踐！一位前端小哥的經驗分享

王新民 編譯自 Hackernoon

量子位 出品 | 公眾號 QbitAI

在當前社會，技術日新月異，一個全棧工程師不及時學習新知識，掌握AI技能，再過兩年就算不上「全棧」了。

產品發燒友、前端小哥Shival Gupta在意識到這一點後，通過兩個多月的探索，掌握了基本的AI技能，並在Hackernoon上發文分享了自己的學習歷程。

量子位搬運過來，各位可以參考他的學習思路。

建立第一個神經網路

大家給初學者的建議，通常是通過吳恩達的Coursera課程來入門。

這樣開始很好，但是我在聽課時很難保持專註。不是說這個課程不好或存在其他問題，而是我真的非常討厭專心聽課。我習慣於通過實踐來學習，所以為什麼不這麼做呢？

讓我們開始動手實現神經網路吧。

我沒有直接跳到神經網路，因為還需要熟悉一些基礎內容。我先嘗試熟悉這個領域的所有專有名詞，為下一步的語言學習作鋪墊。

也就是說，第一項任務不是學習，而是熟悉這個領域。

我是個用JavaScript和Nodejs做開發的前端工程師，暫時也不想轉後端，於是就找到了一個叫做nn的簡單神經網路模塊，並用它來實現一個帶有虛擬輸入的「與」門。

我選擇了這樣一個問題：對於任意三個輸入X、Y和Z，輸出為X和Y的「與」運算結果。

以下是實現代碼：

選擇這個問題，是受一份9行代碼構建神經網路教程的啟發。地址：https://medium.com/technology-invention-and-more/how-to-build-a-simple-neural-network-in-9-lines-of-python-code-cc8f23647ca1

在我看來，上面的構建過程讓我對接下來的學習充滿了信心。當輸出值為0.9971時，我意識到這個網路學會了如何實現一個「與」運算，並忽略無關的額外輸入。

這正是機器學習的主旨。通過向計算機程序輸入一組數據，並調整程序的內部參數，使它能夠以從訓練集觀察到的誤差減小方式，來得到對新問題的答案。

後來我才知道，這種方法也被稱為梯度下降（gradient descent）。

梯度下降示意圖

開始AI之路

在我實現了我的第一個AI程序後，我充滿信心，想知道作為一個開發人員，還可以用機器學習來做什麼。

1.我解決了若干個關於監督學習的問題，如回歸和分類。

2.基於非常有限的數據集，我嘗試使用多變數線性回歸來預測哪個團隊將贏得某場給定的IPL電子競技比賽，實際的預測效果很差，但是我覺得很酷。

3.我試用了Google機器學習雲的一些demo，了解當前AI可以做什麼。

地址：https://cloud.google.com/products/machine-learning/

4.我偶然發現了AI Playbook（文末鏈接5），這是一個由安德森-霍洛維茨風險基金整理的乾貨網站，確實是針對開發人員和創業者的最方便資源之一。

5.我開始在Youtube上觀看Siraj Rawal的精彩視頻，這是一個以深度學習和機器學習為核心的專欄。

視頻地址：

https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A

6.我讀了HackerNoon上一篇講《矽谷》劇組怎樣用Tensorflow做劇中那個Not Hotdog應用的。這是深度學習中我們最容易上手的一個例子。

HBO真的做了這個App（限美國、加拿大）：

https://www.seefoodtechnologies.com/nothotdog/

文章地址：

https://medium.com/@timanglade/how-hbos-silicon-valley-built-not-hotdog-with-mobile-tensorflow-keras-react-native-ef03260747f3

7.我讀了Andrej Karpathy的博客（https://karpathy.github.io/），他是特斯拉的AI主管。雖然我無法理解裡面的一些內容，這讓我很頭疼，但是我發現，在多花一些時間以後，我對這些概念有了一定理解。

8.帶著信心，我開始通過複製和粘貼來逐行實現一些深度學習教程中的代碼，並在我自己的電腦上運行代碼，嘗試訓練相關模型。很卡……因為大多數模型需要很長的訓練時間，我也沒有GPU。

漸漸地，我將編程語言從Javascript轉換到了Python，並在Windows機器上安裝了Tensorflow。

這整個過程集中在被動地接受知識和建立知識庫上，因此當我遇到一個實際的用戶問題時，可以利用已有知識來解決。

正如喬布斯說過，你只能通過回溯過去理解其中的關聯。

抓住chatbot的熱潮

作為電影「Her」的狂熱粉絲，我想構建一個聊天機器人。我設法在兩個小時內學會了Tensorflow的使用，並將這個經歷和我對用戶需求的理解整理成了一篇文章。

在做這個聊天機器人之前，我對NLP的了解僅僅限於概念層面。

嘗試了市面上眾多聊天機器人之後，我發現，它們在本質上只是圖形用戶界面的替代品。如果在圖形用戶界面上操作超過兩步點擊，用聊天機器人的用戶體驗會比較好，反之，用聊天的形式就顯得多餘了。

開始構建聊天機器人的時候，我先給自己確定了兩條原則：

1.聊天機器人應該說人話，也就是說它得理解自然語言；

2.要用聊天機器人解決圖形UI中需要兩步以上操作的問題。

經過分析，我選擇構建一個通過自然語言命令找到正確日期的聊天機器人。比如說你可以問它「6天以後是幾號？」、「下個9月過完之後再過5周」之類的。

架構是這樣的：

然後，我跟著網上的一份教程，（地址：https://chatbotsmagazine.com/contextual-chat-bots-with-tensorflow-4391749d0077），用基礎的NLP技能和基於softmax的神經網路，不到兩小時就構建了一個查詢意圖分類器。

在確定了用戶的意圖之後，系統會對字元串進行語法分析並輸入，然後返回我想要查詢的日期。

說真的，並不難。如果你用Facebook Messenger Platform、Telegram的Bot Platform，或者api.ai、wit.ai、recast.ai等等工具，可能比我還快。

更多關於構建聊天機器人的心得，見這個鏈接：：

https://hackernoon.com/i-built-a-chatbot-in-2-hours-and-this-is-what-i-learned-f5dbb4ba5fcc

在我的AI學習之旅中，這篇文章具有里程碑式的意義。

它讓我在Twitter和LinkedIn上交到了很多朋友，他們長期深入地和我討論AI技術的發展，甚至可以在我遇到困難時幫我一把。我收到了一些關於諮詢項目的Offer，更讓我開心是，開始有一些年輕的開發人員和AI初學者來問我是如何入門AI的。

這也促使了我寫下這篇文章，希望能幫助更多的人從我的經歷中得到線索，並開始他們的學習之路。

萬事開頭難。

一些理解

這絕不是一件簡單的事。

我最開始時用的是Javascript，後來突然換成Python，並學會如何用Python編程。

當我的模型在i7電腦無法訓練，或是經過數小時訓練，只返回一個無用結果時，我會感到煩躁。

學習AI的過程與學習一個Web框架不同。

這項技能要求你明白在微觀層面計算是如何進行的，並確定最為影響輸出結果的內容是代碼還是數據。

AI也不只是一個學科。這是一個總括性術語，其適用範圍可從簡單的回歸問題到未來的殺手機器人。與其他學科一樣，你可能要選擇AI中比較熱門的領域，如計算機視覺、自然語言處理，或者其他具有潛在發展空間的方向。

在和AI金融公司Atlantis Capital的Gaurav Sharma的交流中，他對我說：

在人工智慧時代，「聰明」意味著某些完全不同的東西。我們要求人們去完成非常關鍵、具備創造性和有個人見解的任務，和那些需要高情感投入的工作。

對於計算機是如何突然學會自主決策的，你要為之著迷。你應該堅持的兩個關鍵原則是耐心和求知慾。

這是一個非常漫長的旅程，很累也很刺激。

但最重要的是，所有旅程都是相同的，千里之行始於足下，想上手AI就開始動手吧。

原文地址：https://hackernoon.com/how-i-started-with-learning-ai-in-the-last-2-months-251d19b23597

—完—

加入社群

量子位AI社群10群開始招募啦，歡迎對AI感興趣的同學，加小助手微信qbitbot3入群；

此外，量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募，面向正在從事相關領域的工程師及研究人員。

進群請加小助手微信號qbitbot3，並務必備註相應群的關鍵詞~通過審核後我們將邀請進群。（專業群審核較嚴，敬請諒解）

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

量子位QbitAI

? ? ? 追蹤AI技術和產品新動態

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 量子位 的精彩文章: