我是一个工作时间比较久的全栈工程师，做过web开发，前端，后端，移动端，HTML5的开发。2016年底开始学习机器学习，做深度学习大概不到半年。在人工智能技术方面我肯定没有研究人工智能很多年的人有经验，但在怎样转型人工智能方面我还是有些体会的。
首先是人工智能整个领域特别大 我们常说的深度学习是机器学习的一个小分支，而机器学习又只是人工智能的一个小分支。但目前深度学习比较热，因此很多人就把深度学习当成人工智能了。具体到业务领域，就有计算机视觉，语音识别，自然语言处理等，每一个领域都很专业，会用到机器学习的各种方法。后面的内容主要是说深度学习和机器学习。
其次人工智能是不确定性的 思维模式和传统编程不一样,我们平常接触的编程语言无论前端，后端还是移动端,都是确定性的,确定性是什么意思呢？例如你要修改个传统系统的bug，你弄明白了逻辑，就可以修改代码改掉bug。但做人工智能不一样，它是不确定性的，目前深度神经网络可能会有几百层，几千万个参数，我们没有严格的数学逻辑确定这些参数的意义，只能根据经验和一些原理进行调参，修改数据集等优化结果，过程中充满了不确定性。
第三，学习人工智能对于数学和英语有一定要求 特别是做模型优化的时候。数学方面需要知道一些微积分，线性代数，概率论的知识，英文方面需要能够比较顺利的看懂一些英文的资料和论文，例如很多著名模型的结构相关的论文都发表在arxiv上，需要能大概看懂这些论文。
第四，学习深度学习对于计算机有一定要求 模型训练在GPU上做能够明显加快速度，例如在Imagenet2012数据集上训练InceptionV3模型， 大概有120万张图片， 在一个nVidia Tesla P100 GPU上训练到95%的召回率需要3天，在普通CPU上训练可能需要几个星期。如果你学习一个东西，几星期后才能知道结果那肯定是让人崩溃的。万幸的是，现在Amazon，Goolge，阿里云，腾讯云等都GPU服务器可以租用。
学习人工智能的三个阶段是 应用，优化，和定义问题，这个观点是我在某大牛的一篇文章中看到的，然后我针对程序员的学习特点做了一些优化。
应用应该是学习的第一步，就是想怎么样才能把人工智能应用到你的业务中，在这一步之前你需要对人工智能的现状有个基本清晰的认识，抛弃不实际的想法。具体的做法大概是针对自己的问题，收集数据，建立模型，可以用传统模型或深度学习模型。这一块程序员去做还是有一定优势的， 做到这一步需要对机器学习和深度学习有一定了解， 熟悉python， 能用tensorflow做一些模型训练。举个应用的例子，人工智能跨界农业实现“桃脸识别”，用人工智能实现桃子的智能筛选。
优化是学习的第二步，这一步就有些难度了，需要对卷积神经网络的原理和计算过程很清楚，需要对tensorflow，caffe，pyTorch等框架比较熟悉，需要对Inception，Resnet等经典模型的结构有一定研究，能够看懂论文和代码，并能够结合数据进行分析和实验，对模型结构，参数等不断进行优化，达到提高识别率等目的， 这个优化过程需要耗费大量的时间。
定义问题是学习的第三步，能够做到这一步应该是大神级的存在了，例如谷歌大脑，AlphaGO，百度大脑等顶级团队和学术界的科学家和资深工程师等。这一步的难点是如果用数学语言定义清楚问题，并能够用工程上可行的机器学习算法进行优化求解。做到这一步是很难的，能够做到这一步的人应该是很少的，大部分都是大公司某个方向的领军人物。
对于想转型人工智能的程序员， 我觉得首先要想清楚，自己想不想做这样一个不确定性的事情，自己的学习能力，数学和英语基础怎么样，不能看到行业热工资高就盲目转行。其实无论是前端，后端还是移动端，只要技术做到一定深度，收入都会不错，互联网行业的高薪还会持续很多年，做好技术可以有个不错的收入。
当然，学习和了解一些人工智能技术总是没有坏处的，可以先在自己感兴趣的领域尝试应用下人工智能技术，试试有没有这方面的兴趣和能力。毕竟IT行业变化很快，说不定几年后无论做什么开发都需要懂一些人工智能知识呢？
文章转载来源: https://blog.csdn.net/offbye/article/details/78515793
