上个月有个在中学当信息技术老师的朋友给我发消息,说学校要开人工智能技术选修课,让他暑假之前拿出教学方案。他原话是这么说的:“我连神经网络是什么都还没整明白,怎么教学生?”我当时正在地铁上,看着屏幕笑了半天,因为三年前我自己第一次接触人工智能技术的时候,比他好不到哪儿去。
很多人一上来就问“我要看什么书、学什么课”,这其实把顺序搞反了。人工智能技术不是一个单一技能,它至少分成三大块:偏应用的模型调用、偏工程的数据处理、偏理论的算法原理。你得先摸摸自己的底,是打算用现成的工具做点东西出来,还是想搞清楚背后的数学推导,又或者只是想在工作中用起来提效。这三条路的学习成本差着好几倍。
我自己的教训特别深刻。当年我买了一摞讲深度学习原理的书,硬啃了两周,公式看得头昏脑涨,结果连一个最简单的分类任务都跑不起来。后来一个做算法的朋友跟我说:“你先别管公式,去把数据跑通一遍再说。”这句话把我点醒了。现在我推荐给新手的第一条路径就是:先动手跑通一个完整的小项目,再回头补理论。顺序反了,挫败感会把你劝退。
我见过太多人卡在准备工作这一步,装个环境能折腾一星期。真没必要。对初学者来说,一台普通的笔记本电脑就能起步,不用专门配显卡机器,现在各种在线的开发平台和云服务都有免费额度,够你练手好几个月了。
你需要准备的其实就三样:第一,一门编程语言的基础语法,不用学太深,能看懂变量、循环、函数就行,Python在这块对新手最友好,社区里的中文资料也最多;第二,一个能联网的浏览器,大部分练习都可以在网页里完成;第三,也是最容易忽略的,一份每天能固定挤出来的时间,哪怕只有四十分钟。说实话,我见过学得最快的人,不是最聪明的,是每天雷打不动练一小时的。
第一阶段我建议用两到三周,目标就一个:跑通一个最经典的小任务,比如手写数字识别或者简单的文本分类。网上有大量带中文注释的示例代码,你直接复制过来运行,先看它能不能出结果。跑通之后别急着往下走,试着改几个参数,比如把训练轮数从十改成二十,看看准确率怎么变;把数据集换一换,看它还能不能认出来。这种折腾看着没什么技术含量,但你对“模型是怎么回事”的直觉就是这么一点点长出来的。
第二阶段花一个月左右,系统补一补基础概念。这时候你已经有了感性认识,再看那些名词就不会发怵。重点搞明白几件事:数据为什么要分成训练集和测试集,过拟合到底长什么样,损失函数是在干什么。不用推导公式,能用自己的话把这些概念讲给外行听懂,就算过关。我当时是逼着自己写了几篇学习笔记发在技术社区里,被人指出好几处理解偏差,脸是有点挂不住,但进步确实快。
第三阶段就是实战改造。找一个你真正关心的场景,比如给家里的照片自动分类、帮同事整理会议记录,用学到的东西做个小工具出来。这个阶段一定会翻车,我上周就刚翻了一次——想给一个文本分类任务调参数,结果越调效果越差,最后发现是数据标注本身就有问题。别怕出错,出错恰恰说明你摸到了真实的边界。
能学,而且能学得不错,但要看你的目标。如果只是想把现成的模型用起来解决实际问题,高中数学水平加上一点统计直觉就够用了,很多工具已经把复杂的计算封装好了。但如果你想深入理解算法为什么有效、想自己改进模型结构,那线性代数和概率论迟早得补,绕不过去。我的建议是先动手做出东西,等你真觉得“这里为什么是这样”卡住的时候,再去补对应的数学,那时候学起来有目标感,效率高得多。
第一个坑是收藏了上百个教程和课程,一个都没看完。我以前也这样,网盘里存了几十门课,感觉存下来就等于学会了。后来我给自己定了个笨规矩:同一时间只跟一套教程,学完再开新的。效果立竿见影。
第二个坑是只输入不输出。看视频的时候觉得什么都懂,一关掉屏幕脑子就空了。后来我强迫自己每学完一个模块就写一段总结,或者给别人讲一遍。你猜怎么着,讲着讲着就发现自己哪个地方其实没搞懂。这个笨办法帮我省下了大量以为自己会了的时间。
说到底,人工智能技术入门这件事,卡住大多数人的不是智商,是启动方式。我那个当老师的朋友后来按这个思路走了一遍,暑假结束前做出了一个能识别学生作业字迹的小工具,兴奋得连发三条朋友圈。不过他也跟我吐槽,说现在又卡在新问题上了——识别准确率怎么都上不去。这事我也不太确定该怎么帮他,你要是有什么好办法,欢迎在评论区说说。