大龄程序员的人工智能学习之路[3]

题图：由 Ilona Ilyés 在 Pixabay 上发布

继续讲述我的大龄程序员的人工智能学习之路，前两篇文章看这里：

大龄程序员的人工智能学习之路[1]

大龄程序员的人工智能学习之路[2]

最初了解到生成对抗网络（GAN），是从知乎专栏： 深度有趣 ，该专栏的作者是张宏伦，一位上海交通大学的博士，知识渊博，文笔也很好，可惜的是这个专栏到今年年初就没有再更新。

如果大家对生成对抗网络没什么概念，那可以看看下面的图中，哪张是真实图片，哪张是AI生成的？

答案揭晓，两张图片都是AI生成的，这可不是从真实图片经过PS处理而得来的。另外拍卖史上首幅AI画作也已经诞生，以估价60倍的US$432,000（RMB 300万）成交。

想想也觉得神奇吧！正是因为对此充满了好奇，所以我决定扎进去看一看。然而进入之后，才发现这里的水很深，都是一些大腕在玩，比如NVIDIA、Google、微软之类的，再加上部分研究机构。研究这个领域，需要强大的计算资源，个人去做的话，生成个手写数字还差强人意，要生成一个稍微看得下去的图像，训练一个模型，动辄好几天，太难了。《GAN：实战生成对抗网络》这本书看了前面几章，写了几篇笔记：

实战生成对抗网络[1]：简介

实战生成对抗网络[2]：生成手写数字

实战生成对抗网络[3]：DCGAN

后面就没有继续再看，等哪天功力到了，再捡起来。

深入到深度学习领域之后，发现深度领域也有很多方向，比如图像处理、自然语言处理、强化学习、GAN等等。对于大神而言，可以多方突击，但对于我这样的普通人来说，能把一个方向弄清楚就不错了，所以我决定还是选择图像处理这个方向作为重点深耕对象。

我个人比较信奉学习+实践的策略，喜欢书本结合实例动手。定下图像处理这个主题方向后，我就去搜寻这方面的书，找到一本《Deep Learning for Computer Vision with Python》，感觉比较适合我。该书国内没有翻译版本，也没出影印版，所以我看的是PDF版本。这本书兼顾了理论和实践两者之间的平衡，对每一个深度学习理论，都会有一个关联的 Python 实现来帮助你巩固对其的理解和学到的知识。书中有详细的代码，且代码都有比较详细的说明，对Engineer非常友好。

一本好书：Deep Learning for Computer Vision with Python

在学习过程中，我写了几篇总结笔记：

使用数据增强技术提升模型泛化能力

站在巨人的肩膀上：迁移学习

聊一聊rank-1和rank-5准确度

再谈迁移学习：微调网络

提高模型准确率：组合模型

深度学习中超大规模数据集的处理

试试kaggle竞赛：辨别猫狗

微架构模型：GoogleNet

学习的日子总是过得很快，从我下定决心学习人工智能，已经过去一年零两个月，时间也翻到了2019年5月。在这中间我还尝试过结合本行，研究浏览器中的机器学习：tensorflow.js，前段时间还买了一块Nvidia出品的人工智能开发板Jetson。对我来说，学习总是一件充满乐趣的事情，总有新鲜的事情可以去探索。虽然现在的本职工作和人工智能并没有什么关系，但说不定哪天，副业就会转正呢？

我的 大龄程序员的人工智能学习之路 暂时划上句号，但我的人工智能学习并没有到达终点，我还会在这条路上继续摸索前行，也欢迎各位结伴同行。

学习人工智能都是在业余时间进行，但其实跑步、练习书法和读书占据了我大部分业余时间，另外周末还要陪娃，所以总体上说，我的人工智能学习之路进展缓慢，但我相信，日拱一卒无有尽。

念念不忘，必有回响，和大家共勉！