我大学本科学的并非计算机相关专业，毕业后在外面工作了三年之后，考研重返校园，专业是计算机应用，算是半个科班出身。硕士毕业之后留在了武汉，然后就一直在武汉工作。在二线城市工作有一件比较尴尬的事情，就是跳槽选择少，这就需要看个人运气。如果企业发展的好，一直做下去，也有不错的前景。遗憾的是，我工作的第一家公司，主业是电信的公用电话。现在大街上已经没有公用电话的影子，在当年可是火热的很，公司也因此成功上市。然而，等我在公司正辉煌的时候进入，手机开始崛起，开始冲击公用电话市场。等大家都有手机的时候，谁还会用公用电话呢？我算是见证了手机从身份的象征开始走进千家万户，同时也见证了公司的衰落。期间公司虽然尝试转型，但转型哪是那么容易的。这期间，从后端管理系统到桌面软件，再到嵌入式系统，涉足的技术很多，但不精，公司没发展，个人也谈不上发展，呆了六年多时间，前途无望，离开了这家公司。其后的几个单位，都不是那种发展特别好的企业，活下去没问题，但是也没有大的作为。
就这样一直很平稳的工作着，结婚生子，一晃就迈过了四十大关。在我刚入行的时候，那时流行的说法是程序员30是一个坎，等我30岁的时候，门槛悄然变成35岁，然而等我到了40岁的时候，我依然在处在编程一线。幸亏个人心态比较好，要不真得给焦虑死。
工作生活在二线城市，工作和生活的压力要小得多，比如加班少、平时业余时间比较多，工作方面因为做了十几年开发，也算是轻车熟路。收入方面虽然相对于北上广深差很多，但相对当地的收入水平，还算是高薪，再加上买房买车也比较早，以前干一个月，至少可以买两个平方米的房子，所以生活上的压力也不大。
本来平淡的日子可能就会这样延续下去，有一天，我看了一本松浦弥太郎的《给40岁的崭新开始》一书，给了我很大的触动。作者在书中写道，随着现代医学和营养学的进步，人们健康活到80岁并不是不可能，更有乐观人士估计，我们这代人的平均寿命将达到100岁。如果从“70岁才是人生巅峰”的角度来思考，以40岁作为人生新的起点，步入中年并不是一件让人悲观的事情。
我决定行动起来，做点事情。其实也没啥雄心壮志，只是时间多，总需要做点事情。往哪个方向做，当时并没有想好，只是决定行动起来，开通了微信公众号，写下了第一篇文章《给40岁的崭新开始》。随后连续写了几篇书评和技术文章，但还没有定下人工智能这个方向。
2016年AlphaGo横空出世，引爆了人工智能这个领域，作为一名围棋爱好者，我也一直关注着。但我一直觉得人工智能太过高深，不是我这种平凡之辈可以驾驭的。然而这段时间，我有几个同事离职之后进入人工智能这个行业，让我大为吃惊，也让我开始了解人工智能这个行业。在了解这个行业之后，发现人工智能其实和其它行业一样，都有各自的分工，并不是每个人都需要去研究高深的算法，大部分人还是做工程技术性的工作，这样我可以从具体编程切入这个行业。向同事求证，也坚定了我的想法。
有了想法，需要立即行动起来。考虑到数学理论知识差，在知乎和论坛上也查看了大神们的帖子，决定从《机器学习实战》这本书入手。这本书没有从理论角度来揭示机器学习算法背后的数学原理，而是通过“原理简述+问题实例+实际代码+运行效果”来介绍每个算法。
从事编程这么多年，我还是知道虽然实际中不需要掌握很深的理论知识，但了解一些理论对于算法的理解还是必不可少的，所以我又选择了《机器学习》一书作为补充。
这本书被网友亲切的称为西瓜书，也是一本教科书，而且是一本入门的教科书。其宗旨是理清基本概念、了解领域概貌。虽然作者试图尽可能少的使用数学知识，但相比《机器学习实战》，这本书的数学公式还是多了不少，对读者的要求也要高一些，读起来相当吃力。
针对这个选择，当时写了一篇文章《数学不好，进入机器学习领域还有戏吗？》，也算是给自己打气。
接下来就是啃这本《机器学习实战》，很辛苦，将书中的代码一行行亲自敲进电脑、运行，看西瓜书，力争透彻理解算法，输出文章谈对算法的理解。虽然说以编程实例为基础，但涉及到的理论还是让我很头疼，学习进展也很慢。一次我将我的苦恼向朋友倾诉，朋友指出，现在的机器学习框架，都有封装好的算法，如果不从事算法优化工作，其实不需要把算法理解得很透彻，只需要掌握基本原理，更重要的是在实际项目中如何选择算法，如何使用框架快速实现并部署。这也点醒了我，我不就是准备从编程入手，怎么学着学着就在那儿死磕算法呢？朋友还建议我看一看吴恩达的《machine learning》的在线课程。
于是，我又转向了吴恩达的《machine learning》在线课程的学习。
吴恩达的《Machine Learning》在线课程就不用我赘述了，有两个学习途径：
- 上Coursera在线教学网站学习，优点是每周的学习之后可以在线答题，可以提交答案检验是否正确，而且还可以做编程练习，编程练习提交到系统后，系统可以自动测试程序是否运行正确。缺点是需要科学上网，而且有些视频并没有中文字幕。
- 上网易云课堂学习，优点是速度快，全部视频都有中文字幕。缺点是没有在线习题，也没有编程练习。
在这两个地方学习，都是完全免费。我一直都在科学上网，英文字幕也勉强能看懂，所以我是上Coursera网站学习的。当然也可以在网易云课堂上看视频，到Coursera上做习题和编程练习。这门课程虽然叫机器学习，但其实重点讲的是回归和梯度递减算法，而没有像《机器学习实战》那本书那样涉及好多机器学习的算法。对于线性回归和逻辑回归以及梯度算法讲的非常透彻，辅助以代码实例，也容易懂。每个章节后面都有习题加深巩固。从第二周开始每周有编程联系。整个课程安排了十一周，这是考虑到学习时间有限的情况下，其实如果时间充裕，一天完成一周的学习都没问题。
这门课我认认真真学习了每个视频，完成了每个习题和编程练习。这门课让我开始对机器学习有些感觉，对于回归和梯度算法有了比较深入的了解。编程练习采用的是和matlab兼容的Octave语言，要是选择python语言就更完美了。当然Octave语言也比较简单，稍微学习一下就可以上手。
学完这门课程之后，我又马不停蹄的学习了他的另一门课程《Deep Learning》，准确的说是一个微专业，包含了五门课程：Neural Networks and Deep Learning、Improving Deep Neural Networks: Hyperparameter tuning, Regularization and Optimization、Structuring Machine Learning Projects、Convolutional Neural Networks、Sequence Models，每门课程安排了大约3到4周的学习时间，每个章节都给出了建议学习时间。如果是边工作边学习，就按照这个进度学习就很好。
这门微专业在网易云课堂上同样免费，在Coursera上也可以免费看，但如果要在线提交习题和编程练习，需要收费，折合人民币308元。考虑到在Coursera上可以在线做练习，308元的价格也不贵，我选择了付费，国内带VISA标志的信用卡可以付费，直接折算成人民币付款。
每节课成后面的习题，我都认真做了分析，并写在公众号里：
[神经网络与深度学习] Introduction to deep learning习题解析
[神经网络与深度学习] Neural Network Basics习题解析
[神经网络与深度学习] Shallow Neural Networks习题解析
[神经网络与深度学习] Key concepts on Deep Neural Networks习题解析
[改善深度神经网络] Practical aspects of deep learning习题解析
[改善深度神经网络] Optimization algorithms习题解析
[改善深度神经网络] Hyperparameter tuning, Programming Frameworks习题解
[卷积神经网络]课程：The basics of ConvNets习题解析
[卷积神经网络]课程：Deep convolutional models习题解析
[卷积神经网络]课程：Detection algorithms习题解析
[卷积神经网络]课程：Face recognition & Neural style transfer习题解析
[序列模型] Recurrent Neural Networks习题解析
[序列模型] Natural Language Processing & Word Embeddings习题解析
编程练习使用了Google的TensorFlow框架，考虑到Google在业界的影响力，我决定主要使用TensorFlow框架，为此还看了一本《TensorFlow实战》。
这本书谈不上经典，但比较适用，作为了解TensorFlow框架的基础书籍，还算可以，但这本书我并没有看完，只挑了我感兴趣的章节。
对深度学习以及TensorFlow框架有了一定的掌握之后，决定做一个小项目来练练手。一次看到微信上的识花君小程序后，决定做一款类似的小程序，拍照识狗，取名为识狗君。这实际上是一个图片分类问题。图片分类问题是深度学习最基础的应用，各种图片分类的示例代码满大街。但对于一个新手来说，照着代码一行行敲，运行出来不难，但对于一个新项目来说，还是有许多问题需要解决：
- 狗狗图片数据集哪里来？
- 选择哪种图片分类模型？如何再训练？是采用端侧推理还是在服务器端识别？
- 微信小程序如何开发？
- 模型如何部署？
- 微信小程序如何与服务端通信？
在这个开发过程中，我在公众号上分享了我对于项目的考虑，碰到的问题，研究的方法：
这个中秋，我开发了一个识别狗狗的app
一头栽进了tensorflow lite的巨坑里
当微信小程序遇上TensorFlow：Server端实现
当微信小程序遇上TensorFlow：Server端实现补充
当微信小程序遇上TensorFlow：小程序实现
当微信小程序遇上TensorFlow：接收base64编码图像数据
当微信小程序遇上TensorFlow：终章
识狗君微信小程序的部署
项目的所有源代码都放在github上：github.com/mogoweb/aid…
需要注意的是： TensorFlow框架一直在进化中，可能上面的代码在最新框架上并不能直接使用，我正在考虑将其移植到TensorFlow 2.0上。另外上述的方法并非最优方法，只是我在当时能想到的最好方法。如果你有什么好的想法，欢迎交流。
当时看到报道，有AI写诗、AI作曲、AI作画，对GAN（对抗生成网络）产生了兴趣，还买了一本《实战GAN》。
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。这本书是英文版，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终结，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！
你还可以读：
- 给40岁的崭新开始
- 中年程序员该焦虑吗？
- 我编程，我快乐
- 数学不好，进入机器学习领域还有戏吗？