入门深度学习的误区

数据量、运算力和算法模型是决定人工智能行业发展的三大要素。大数据时代，深度学习模型的提出，大大提升了计算机视觉、语音识别的准确率，引爆了当下这波人工智能热潮。被誉为“人工智能皇冠上的明珠”的自然语言处理领域，深度学习也已经取得了较大突破。

据领英发布的《全球AI领域人才报告》显示，基于领英平台的全球AI（人工智能）领域技术人才数量超过190万，中国的AI人才总数仅为5万人。但国内人工智能人才缺口达500多万，供需比例严重失衡。各大企业纷纷抢夺人工智能人才，应届本科毕业生年薪平均在25万，研究生年薪普遍在35万-60万之间，普通程序员转行人工智能的平均年薪也可达到26万以上。

图一 深度学习工程师招聘

“深度学习，怎么样才能快速地入门，并上手项目实践”，这是困扰入门者的普遍性难题，大家的热情和兴趣，也随着数学符号以及公式推导的折磨，消失殆尽。这里主要存在2大误区：

作为入门爱好者而言，学习深度学习的目的是处理实际工程问题，如果一开始就花费大量时间推导复杂的公式，不仅会把自己搞晕，更会打击学习的积极性，而且理论不紧密结合实践，理解起来比较困难。举个例子，如果一开始我们带着学员，使用深度学习把任意一张图片的风格“迁移”到另一张图片上，比如用深度学习的算法把宠物狗的照片换成世界知名画家梵高的风格，相信大家会跃跃欲试。

图二 图片风格转换

近几年各种不同的深度学习框架也如雨后春笋般纷纷出现，在大厂的支持下这些框架（Tensorflow、Caffe、Keras、Pytorch等）在深度学习的舞台上华丽登场各显神通。作为一名初学者，不要过度在意使用哪个框架。因为每种框架都有一定的用户群体，并且即使同一部门的不同工程师使用的框架也不尽相同；此外，新的开源框架不断涌现，Facebook开源Pytorch才刚刚一周年，已经成为最火的框架之一。

图三 深度学习开源框架

尽快跑通深度学习实践的代码，多修改几组参数看看效果，设置断点看看每层的输出，根据代码反过头去理解每个数学公式的意义和作用，对于入门者而言，不失为最快方式。