小知识，大挑战！本文正在参与“程序员必备小知识”创作活动。
问题
关于人工智能，如何才能快速入门，该去如何学习？
回答
1、我没有成功经验，只有失败经验
首先说，我写博客的主要目是输出倒逼输入。我既然写了，就得为了能写出东西而去学习，最起码我得先知道是怎么回事，然后才能用自己的语言描述出来。我是一个懒人，但是又想上进，就想出这么一个被强迫的办法。并不是我已经功成名就、知识多的往外涌了，才开坛论道，传道授业。
因为我没有成功，所以没有成功经验。
但是，机器学习我已经研究3年了，自从它被评为“2017年十大流行语”，我就开始关注它。
2018年4月，我开始在QQ空间记录学习内容，那时仅仅是给自己看。
到目前为止，兜兜转转，我依然没有什么建树，也没有成个名、成个腕儿，更没有获得个诺贝尔奖啥的。
虽然默默无闻，但是我这三年不是白白浪费的，我是没日没夜地浪费的，起码我知道浪费在哪里，这些失败经验，我可以告诉大家。
2、杀猪捅屁股，各有各的招
给大家看一张网上流传的人工智能入门路线。
这张图密密麻麻地写满了你去学习-机器学习-的-学习路线，大约有上百项。
第一项最基础的就是“矩阵、线性代数”。其他还有DataFrames、Extract、Transform、RegEx、pdfs……
我的基础很差，学历不高。但是机器学习对基础学科的要求很高，起码也得是硕士才可以去搞。
我没有优势，所以我就想按这个路线去学习，立志要踏踏实实一步一个脚印，即便是像西天取经一样难，我也要坚持，虽然没有上三年的研究生，但是我要用六年的时间去自学相关的知识。
于是，我就先开始学习矩阵。网易公开课的可汗学院有矩阵的课程，我开始一节不落地学习。
断断续续学了2个月，我在想，这么枯燥的课程有什么用，哪里能用到？
于是，我烦躁了，我开始直接看人工智能项目的代码。
我先看的《TensorFlow实战Google深度学习框架》这本书，翻开一看，妈呀还是矩阵：
看不懂，很受挫，反思还是基础没打好，我就又返回去学习矩阵。
又学了一段时间，我跑到楼下同卖驴肉火烧的大哥（数学系本科创业）切磋了一下，感觉自己在餐饮行业的矩阵界已经无敌了。
翻开书一看，越过矩阵计算，它又讲概率，尤其涉及到各种公式的时候，又看不懂了。
我又去学概率，因为代码是需要按照公式去写的。奔着打牢基础的目的，又学了1个月的概率分布。
我在想，如果按照这种节奏学下去，我再30年也未必能摸上人工智能的手。
我还是算了吧，我直接上项目吧。
3、别多想，干就完了
我开始找项目，从实战出发，以运行代码为主，运行代码看效果，提高兴趣。这时，第二本书《21个项目玩转深度学习：基于TensorFlow的实践详解》被我找到了。我开始搭环境运行书里的例子。
有时候，我根本不知道代码是什么意思，没关系，你就想，要全看懂得20年后，现在先跑起来例子，先感受它的神奇之处。如果想要了解，就去《TensorFlow实战Google深度学习框架》看看对应的理论讲解。
其实奔着这个目的，反而没有了心理压力。原来因为看不懂而上火，现在看不懂是依计划行事。
但是，道路依旧很坎坷。想成功运行起来一个项目，太难了，各种环境问题，各种配置问题，有时候需要一周甚至一个月的时间。但是，当你运行起来的时候，你会有种错觉：这些代码就是你写的，这个项目就是你的作品！
或许，那不是错觉，从某种维度上，那就是你的劳动成果。就如同你自己亲手组装了一台电脑，你不用在意CPU是不是你亲手制作的。
在解决问题的过程中，你会学到很多知识。这些知识，不是体系的，不像29集矩阵课程那样完整，它是散落的，只和这一次项目有关。
跑完了这些例子，虽然你还是不知道实现这些功能的细节。但是，你对深度学习会有一个层次上的了解。比如，讲到GAN，你知道是对抗生成网络，就是自己和自己干起来，自己造假，然后自己辨伪，你跑过一个例子，就是自动生成动漫头像的，你也知道想要搞定这些，先得需要一些动漫头像作为训练集。
跑完这些例子，你就知道了深度学习有哪些应用领域，有处理自然语言的，有处理图片的，有处理音视频的。当你看到自动打游戏，你会说这是通过“强化学习”来实现的，里面有什么经验池，走对了有奖励啥的。
为什么你突然会了解这些？因为你花了一周多的时间跑了一个例子啊，那个例子就是讲“强化学习”的，所以你才这么刻骨铭心。
到此，深度学习在我们心中相当于有了一个轮廓，虽然不知道它的面容，但是知道他是一个人。
4、嘛也不行，事情还得从长计议
至此，你以为你无敌了。
其实，你嘛也不是：你运行的只是别人写好的代码，只能实现固定的功能。
我问你，你成功运行过一个自动生成莎士比亚歌剧的例子，如果让你做一个自动生成曾国藩家书，你行吗？
你骄傲地认为就是替换数据集就可以，因为你试过将莎士比亚的数据替换成富兰克林的数据，是行得通的。
但是一换曾国藩的数据就完蛋了。原因就是英文和中文的分词方法是有区别的，但是他们的原理却是与语言无关的。你只需要改动某一个地方就可以，但就是不知道该改哪里。
当你想改造的时候，你发现，前面能跑通例子的成就感，是个错觉，你根本就控制不了它。
那好，那就去试着了解它的原理，只有懂了原理，才知道该在哪里开刀和缝合。
这就又回到了那个学习基础学科的起点。你又看到这些讨厌却又无法绕开的公式，像下面这样：
虽然面临的还是同一个问题，看似又回到了起点，但其实差别很大。就像让你现在去高考，虽然还是不会做，但是你却知道了高考意味着什么，大学该去怎么有重点的学习和社交。
这时候，真得静下心来研究了，研究不要分心，不要扩展，就弄明白这一个点就行，因为精力有限。
这可能是比较艰难的时刻了，挺不过去就放弃了，挺过去了后面还会有更难的。
能到这一步，深度学习在我们心中相当于有器官了，我们能清楚地知道耳朵、眼睛在哪里，是什么形状。
5、不只是你迷茫，大家都有疑问
当你看到上面这些东西，终于能明白是什么意思的时候，你忽然发现，框架版本升级了，到了2.0不用再关心这些了。心情有点不愉悦。
1.0时，还需要关心原理的东西，还需要去设计矩阵结构，到了2.0完全不需要了。
此时，旧版的1.0你还没有完全搞明白，新版的2.0就到来了。
要不要学？
- 坚持1.0：但是2.0真的很高效，你用1.0开发2个月还各种异常问题，别人用2.0三天就可以完成而且还稳定。
- 尝试2.0：没有理论根基，变成了一个无脑的API调用者，不了解原理总感觉在鄙视链的最末一环。
- 学完1.0再学2.0：再出来个3.0该怎么办？
6、官方的脚步，大多是趋势
我是从TensorFlow 1.x的张量、图、会话开始学习的，以我笨拙的资质，1.x生态的晦涩程度如同看那些公式。
但是当TensorFlow 2.x发布后，尤其针对初学者的高阶API，尤其是官方主推的keras，让编程变得极其简单，仅需几十行代码即可完成一个神经网络的训练和使用。
我纠结过一阵子，最后还是选择了新版本，也给其他人安利新版本。
原因有如下几点，这几点也是官方力推新版的理由：
- 新版本简单易懂，入门容易。越简单，群众基础就会越大，生态会越强。如果全球就几个老头能掌握，那么它离灭绝就不远了，不管是技术还是老头。
- 新版本经过包装，产能高效。你学习它，就是为了解决问题和创造价值的。既然新版可以更快更稳地产出效果，那么就该使用它。
- 所谓原理鄙视，其实是代沟。你使用3.0版本会觉得4.0版本是无脑调用。其实，3.0刚出来时，也被2.0鄙视过。就像80年代的汽车驾驶员鄙视现在的司机不会修车一样，其实修车的工作不是消失了，只不过是换别人来做了。
7、交流区
总结一下：
-
如果你的基础学科（编程、数学）很差，又想早点入门，并且目标不是当一个人工智能科学家，只想拿它当工具来解决问题。那么，我建议你直接找实战小项目，先运行起来再说，培养兴趣，积累经验。就像高中毕业就去打工，先体验挣钱的感觉。等到别人7年后硕士毕业开始去打工了，你再返回去上课。
-
积极面对新技术、新语言、新版本，如果它能让更多的人用更少的投入去产生更多的价值，那它就是值得学习的，就是未来的方向。不要在意门槛高低，从肯德基的汉堡制作，到面粉生产，再到小麦种植，每个层级都有人做，而且都可以做的很好。
-
可以通过分轮的方式去学习。不要着急弄清楚一切，允许自己有不懂的地方。就像画画，第一轮先画一个轮廓，第二轮区分一下布局，第三轮细化，第四轮润色，古人云：书读百遍其义自见。
目前我依然是一个初学者，看着英文文档学习，只是一个搬运工，没有能力当大家的老师，只能在我博客涉及内容的范围内，给大家做一些详解。因为只要我写出来的，必定是我已经理解透彻的。
我打算建立一个交流区，一是更好地交流大家对我博客中的疑惑，另外也可以让大家彼此交流。
比如《CNN基础识别-想为女儿批作业》这一篇，github上传代码后。
hwangato就运行起来了。
但是YuZhiBo同学就没有跑通。
如果这俩能交流一下，一个指导别人跑通代码加深印象，掌握得更扎实；另一个得到别人帮助学到东西，技能有提高。
这样就没有我啥事了。
