過春節(jié)前一周辩蛋，不知從哪里看到優(yōu)達(dá)學(xué)城（Udacity）的深度學(xué)習(xí)（Deep learning）課程在搞優(yōu)惠活動，抱著不出點血就學(xué)不下去的想法愉快的報了名，開始為期四個月的在線學(xué)習(xí)仇矾。這周終于完成了全部課程和五個項目作業(yè)潮孽，獲到納米學(xué)位證書，寫一下學(xué)習(xí)體會和心路歷程宇葱。

自己上研究生的專業(yè)就是模式識別與智能系統(tǒng)瘦真，無奈那時候這個領(lǐng)域還是偏理論研究，工程應(yīng)用雖然也有黍瞧，但是總給人感覺不是Artificial Intelligence (AI) 而是 Artificial Stupid诸尽。尤其氣人的是堂堂智能感知重點實驗室，裝的指紋鎖各種無法識別總是進(jìn)不去門印颤，心灰意冷投身軟件行業(yè)成了前端開發(fā)您机。彈指一揮間，沒想到短短幾年屬于人工智能的時代這么快就來了（昨天阿爾法狗又贏了柯潔）年局。

幸運的是际看，寫了幾年的代碼，倒是對重拾人工智能（主要是深度學(xué)習(xí)）挺有幫助矢否，畢竟算法應(yīng)用還要靠軟件程序來實現(xiàn)的仲闽。另外以Tensorflow為代表的深度學(xué)習(xí)框架讓模型訓(xùn)練的過程變的更加工程化，不到五十行代碼就能實現(xiàn)一個文字翻譯或者圖片識別模型的訓(xùn)練全過程僵朗，所以編程技能對學(xué)這門課可以起到很大幫助赖欣。

但就像這個課一開始所介紹的屑彻，初學(xué)者不用擔(dān)心自己理論知識和編程水平的不足，邁出第一步并一直保持學(xué)習(xí)熱情才是最關(guān)鍵的顶吮。剛開始在線學(xué)習(xí)社牲，就想對優(yōu)達(dá)學(xué)城的課程設(shè)計點個贊。最大的優(yōu)點就是學(xué)著不累悴了！畢竟長達(dá)四個月的學(xué)習(xí)時間膳沽，好的體驗非常重要。

（他們家還有不少免費課程让禀，若有興趣可以去體驗一下）

網(wǎng)站里的課程學(xué)習(xí)界面挑社，課程內(nèi)容會不斷更新

這個課的主講是左邊的一位Google工程師Siraj（很逗比，經(jīng)常會在視頻里說rap）巡揍，后面還請了不少牛人（記得還包括GAN的發(fā)明者）在視頻里言傳身教痛阻。雖然中文網(wǎng)站里的主要內(nèi)容都是已經(jīng)翻譯的，但基本所有資料和論文還是英文的腮敌，不禁回憶起當(dāng)初啃論文的日子阱当。相關(guān)的訓(xùn)練數(shù)據(jù)和論文都有免費的網(wǎng)上資源，對于不在學(xué)校還想從事研究的人絕對是福利糜工。

需要完成的五個項目弊添，日期后來調(diào)整了

差不多每個月，在每一個階段學(xué)習(xí)的最后都要完成一個有意思的實際項目捌木，而且必須在規(guī)定日期前完成油坝，否則就得不到學(xué)位了！提交的代碼會有專人review并提出有針對的修改意見和反饋刨裆，直到完全達(dá)到要求才算通過澈圈。審閱的人給出的意見都很具體，態(tài)度也非常nice帆啃。嗯瞬女，畢竟花了錢呀。

項目的review努潘，經(jīng)常有修改建議和鼓勵的話

剛開始的項目相對容易诽偷，后面隨著模型的復(fù)雜訓(xùn)練起來就很耗計算機資源。我的所有項目都是用的Mac Air跑完的疯坤，不支持GPU加速报慕。后幾個項目的訓(xùn)練時間都以半天記。其實課程里專門有講如何申請和搭建AWS的實例做GPU加速贴膘，就是懶得去裝 ╰(￣▽￣)╭

下面大概說說所學(xué)到的知識點吧卖子。

第一階段，新手入門刑峡。Python的簡單語法洋闽、numpy進(jìn)行多維向量操作、conda管理包依賴和環(huán)境突梦、梯度下降的優(yōu)化原理诫舅、多層神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

項目：用多層神經(jīng)網(wǎng)絡(luò)預(yù)測共享單車數(shù)量宫患。

樣本數(shù)據(jù)

這個項目就是用歷史數(shù)據(jù)（日期刊懈、天氣等，當(dāng)日租車數(shù)量）訓(xùn)練模型娃闲，然后用另一部分?jǐn)?shù)據(jù)驗證模型的準(zhǔn)確性虚汛。

最后的測試結(jié)果

藍(lán)色是訓(xùn)練后模型（就是多層神經(jīng)網(wǎng)絡(luò)）的預(yù)測，紅色是實際數(shù)據(jù)皇帮。前面吻合的很好卷哩，后面就不準(zhǔn)了。reviewer還問我：你知道為什么后面誤差很大么属拾？廢話将谊，圣誕節(jié)大家都放假了嘛 (o?v?)ノ

第二階段，使用Tensorflow構(gòu)建模型渐白、用于處理圖像的卷積神經(jīng)網(wǎng)絡(luò)（CNN）

還介紹了Prisma實現(xiàn)圖像內(nèi)容和樣式的合成原理尊浓。

項目：用Tensorflow實現(xiàn)卷積網(wǎng)絡(luò)（CNN）對圖片數(shù)據(jù)集進(jìn)行分類識別

每張圖片的識別結(jié)果（概率）

這個就是用CNN（多層卷積神經(jīng)網(wǎng)絡(luò)）識別圖像，結(jié)果是得到的每張圖片可能的類別概率纯衍。最后訓(xùn)練的結(jié)果可以達(dá)到56%準(zhǔn)確率栋齿，就是說一大半圖片都能識別出來里面是喵星人還是汪星人了。然后非常高興的另外去網(wǎng)上找了些圖片來試試襟诸，結(jié)果一個都沒認(rèn)對兄春。

（╯‵□′）╯︵┴─┴

第三階段，專門處理時序數(shù)據(jù)（比如語言）的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）锻煌、LSTM--一種改進(jìn)的RNN結(jié)構(gòu)窝革、文字建模方法Word2Vec、同時用兩個RNN實現(xiàn)序列到序列轉(zhuǎn)化Seq2Seq应结。

項目1：用RNN生成辛普森一家臺詞

機器生成的臺詞

這階段的第一個項目是用LSTM（一種循環(huán)神經(jīng)網(wǎng)絡(luò)）通過學(xué)習(xí)已有的《辛普森一家》臺詞刨疼，去生成新的臺詞。這個還是很有趣的鹅龄，在訓(xùn)練的過程中揩慕，可以觀察到模型慢慢學(xué)會句子的組成方式，單詞的相互關(guān)系扮休。

項目2：用兩個LSTM做英語-法語翻譯

機器實現(xiàn)英/法翻譯

第二個項目是用兩個LSTM分別作encoder和decoder來實現(xiàn)語言翻譯迎卤，結(jié)果真的不忍直視

（翻譯出來的法語好像是：I think it is easy to translate English and California）

?╮（╯＿╰）╭?

畢竟可以用的翻譯模型需要大量數(shù)據(jù)長時間訓(xùn)練以及調(diào)優(yōu)。

第四階段玷坠，GAN模型（兩個神經(jīng)網(wǎng)絡(luò)相互對抗找到均衡解）對沒有標(biāo)記的數(shù)據(jù)進(jìn)行半監(jiān)督學(xué)習(xí)

項目：用GAN學(xué)習(xí)已有圖片生成新圖片

機器生成的手寫體數(shù)字

用GAN通過隨機信號生成的手寫數(shù)字圖片蜗搔。嗯劲藐，這個效果不錯。

機器生成的人臉圖片1

機器生成的人臉圖片1

用同樣的模型來生成人臉圖片樟凄，可以看到模型的優(yōu)化過程聘芜。這個訓(xùn)練起來超費電腦，邊跑邊心疼我的Air缝龄。如果用好電腦可以把模型做得更復(fù)雜效果會更好汰现。

最后一個項目截止日期是這個月25號，提交了結(jié)果隔了一天看到標(biāo)語：您已畢業(yè)叔壤。開心瞎饲！

然后就可以提交個人信息并填寫調(diào)查表，獲得畢業(yè)證書炼绘，撒花ヽ(??▽?)ノ

所以嗅战，一切結(jié)束了么？沒有饭望，甚至在標(biāo)題上用“入門”兩個字都感到挺心虛的仗哨。通過這次學(xué)習(xí)，自己也僅僅是看到了深度學(xué)習(xí)這個領(lǐng)域的廣闊铅辞，更覺得自己掌握的東西少得可憐厌漂。這種感覺和剛接觸前端開發(fā)時候非常像，就是知道了哪些自己不知道的階段斟珊。

嗯苇倡，接下來的路還有很長。

最后想說的就是囤踩，人工智能的時代真的到來了旨椒。放心，在可以預(yù)見的未來電腦還不會統(tǒng)治人類的堵漱。但是用人工智能的方法加上代碼實現(xiàn)综慎，每個人都可以做出很多很酷的東西。比如我就想試著做一個去處圖片里玻璃反光的濾鏡勤庐，有了結(jié)果再分享了示惊。

寫完了。