我的AI之路(1)--前言

   现在觉得非常有必要写文章，把知道的记录下来才不会遗忘，再好的记忆力比不上三寸烂笔头，真是这样，有时积累了一点技术经验自恃记性还好懒得写，结果一两年后再干同样的活时想不起来当初怎么干的细节，那后悔啊，抓耳挠腮，好在有blog这好玩意，到博客上打字记录比较好玩。 

      目前在嵌入式行业用C谋生十年了，之前在Java EE平台上干C/S/S、B/S/S三层系统6年多，再之前用古老的PB、Delphi +Oracle干C/S两层系统两三年。从去年开始决定转行加入看起来好promising的AI这行，知道学习成长道路漫长，经历和经验有必要记录下来，日后备查可能反复用得上，还能跟同行分享交流，定了以后就到CSDN上坚持记录AI修行路上的历程

      有天天看下新闻的习惯，除了专心琢磨工作本行的技术活外，对外面的世界的变化也保持不out，去年7月<<国务院关于印发新一代人工智能发展规划的通知>>发布后感觉到从事AI研发这行必将是热得发烫，于是利用晚上和周末空余时间开始学，网上找<<深度学习>>之类的各种ML、DL理论介绍pdf了解AI这行都要用到什么基础知识和编程语言，经过一段时间了解明白了一些基础知识都是怎么回事，python嘛平时我写过脚本用来做编译脚本工，如果你没用过，作为用过c,c++ Java 和各种script之类的语言的人学起来可以说应该没什么难度，感觉Python基础知识的部分看书时可以快速过，一个月动手看懂和修改别人的简单代码一般人应该都可以做到，当然使用Django之类的框架写代码弄出个自己的小系统来，恐怕还得时不时的照着书看着写，毕竟，熟悉mumpy matplotlib scipy之类的各种工具库包和API需要长时间积累，关于Python数据可视化这块是大头，有好多书需要慢慢学和练习。

    后来11月国家又指定了BAT和讯飞的四大平台，瞬间觉得国家这是真的要干AI这大业啊，这方向没走错啊，坚持下去前方应该光芒万丈的，于是直接上chinapub和JD上把自己觉得对学习AI有用的、看作者比较牛的、或者看目录内容提要写得还不错的关于ML DL TF Caffe之类的书搜罗到收藏阁，按照学习步骤需要，到今年4月为止分七批买了几十本，其中觉得写得好的适合初学者的书从头到尾精读，比如<<深度学习轻松学>>、<<白话深度学习与TensorFlow>>、<<面向机器智能TensorFlow实践>>、<>、<<深度学习 21天实战Caffe>>、<<深度学习入门之PyTorch>>、<<深度学习Caffe之经典模型详解与实战>><>，有部分大部头宝典比如牛人Ian Goodfellow等人写的<<深度学习>>，感觉只适合后面做参考手册，初学阶段先把前面的介绍性章节看完，后面的纯理论知识点介绍以后工作中需要深入了解时再查看，效率更高，不然根本没动手实践，没什么体验就去看那些理论细节看完很快就忘了，有些细节可能一下搞不明白，这样学效率很低。 以前学生时代大约都很少这么努力看过书，近一年时间来下班回家后充分利用时间一本接一本的啃, 数学知识部分需要把大学时期的高数、线性代数、概率统计的书翻出来(幸好数学和英语教材多年来一直随身带着辗转南北舍不得丢，没想到今天还真又重新用上了，没辜负多年收藏)重新看一遍找回记忆，这活说不累是假的，但是每当弄明白一个AI知识点、了解了一个理论及其应用原理，每天知道又多一点，有收获的感觉还是蛮好，晚上床上看书看着看着睡着了也是一种幸福 截至7月已看完深度学习、常用算法、TensorFlow、Caffe、PyTorch、计算机视觉、OpenCV、机器人操作系统ROS、无人驾驶等方面的书21本，继续看书中...下一步打算先了解一下SLAM。

    关于Pyhton的入门和实践之类的书，网上很多pdf可以下载看，用Linux上的python2.7和python3.6环境或者在windows上安装这两个版本的exe，然后用IDLE界面写代码和执行即可，如果觉得太简单不便于编辑代码，可以安装Geany，PyCharm或微软的visual studio code之类的工具，很多工具网上各说各的好处坏处，自己觉得好用就行了，我一直使用PyCharm觉得超好用。

     关于TensorFlow, Caffe, PyTorch的动手实战指导书，经过比较后，我使用<<深度学习之TensorFlow>>、<<深度学习 21天实战Caffe>>、<<深度学习入门之PyTorch>>，觉得书准备多一点对比着看，可以互相补充互相参照，一本书里没说明白的知识另一本书里说不定就说得很清楚，TF、Caffe、PyTorch(Caffe2)几大流行工具都学一下，作为初学者应该都体验一下总是有好处的，比较优劣也同时互相参照，体会应该更深一点，掌握更快一点，虽然以后工作中可能只使用其中的一种工具，多了解一点以后总是好处多多。

    2017年国家发布那些指导政策后，出版社和AI这行的先入行者蹭这热度挣钱，AI方面的书的出版出现了井喷，感觉好多书都是2017年到2018年出版的，2016年之前出版的并不多，从书里面介绍的作者本人的AI行业从业经验来看，多数都是一线应用研发，不是搞纯理论研究的，进入这行比较早的好像是2012年左右，那时应该是AI理论在和应用刚刚取得飞跃性突破吧，晚一点的2015年左右开始入行，所以跟这些先行者之间有3-6年的差距，需要努力追赶, 希望3年后的自己能从容琢磨AI算法设计和应用问题、与大牛讨论技术问题

后续文章 :

 

我的AI之路(1)--前言

我的AI之路(2)--安装Fedora 28

我的AI之路(3)--安装Anaconda3 和Caffe

我的AI之路(4)--在Anaconda3 下安装Tensorflow 1.8

我的AI之路(5)--如何选择和正确安装跟Tensorflow版本对应的CUDA和cuDNN版本

我的AI之路(6)--在Anaconda3 下安装PyTorch

我的AI之路(7)--安装OpenCV3_Python 3.4.1 + Contrib以及PyCharm

我的AI之路(8)--体验用OpenCV 3的ANN进行手写数字识别及解决遇到的问题

我的AI之路(9)--使用scikit-learn

我的AI之路(10)--如何在Linux下安装CUDA和CUDNN

我的AI之路(11)--如何解决在Linux下编译OpenCV3时出现的多个错误

我的AI之路(12)--如何配置Caffe使用GPU计算并解决编译中出现的若干错误

我的AI之路(13)--解决编译gcc/g++源码过程中出现的错误

我的AI之路(14)--Caffe example：使用MNIST数据集训练和测试LeNet-5模型

我的AI之路(15)--Linux下编译OpenCV3的最新版OpenCV3.4.1及错误解决

我的AI之路(16)--云服务器上安装和调试基于Tensorflow 1.10.1的训练环境

我的AI之路(17)--Tensorflow和Caffe的API及Guide

我的AI之路(18)--Tensorflow的模型安装之object_detection

我的AI之路(19)--如何在Windows下安装pycocotools PythonAPI

我的AI之路(20)--用Tensorflow object_detection跑raccoon数据集

我的AI之路(21)--用Tensorflow object_detection跑PASCAL VOC 2012数据集

我的AI之路(22)--使用Object_Detection_Tensorflow_API

我的AI之路(23)--在Windows下编译Bazel和使用Bazel编译tensorflow