Paddle深度学习课程学习心得

when

去年年初就听过百度推出了一款关于深度学习的框架-飞桨，当然也是通过百度搜索深度学习相关内容，百度引擎经常把飞桨排在第一个…我经常都是忽视百度推荐的自己产品的这些广告链接，偶尔也会点进去看下，简单了解过一下，感觉跟TF、Pytorch都没什么两样，都差不多，而且前两者都是背靠google和Facebook，感觉更靠谱一些（而且过去国人在核心科技研发通常都落后，很多技术都是国外研究出来后，我们抄过来用…），所以就没太深入了解paddle。
一次在B站查询深度学习相关内容时（个人觉得B站在线下教育资源上还是蛮丰富的），意外发现了在19年末当时举办的百度架构师手把手教深度学习课程直播录像，（具体是不是这样我也不记得了= =#）从此开始了我paddle学习之旅

学习目的

工欲善其事必先利其器，想涉足深度学习要对理论基础掌握好，在实际应用还是要看工具好不好用，所以了解一下各个框架还是很有必要的，还有现成的视频，抱着看看也无妨的态度就开始慢慢了解paddle。
打开paddle官网
源于产业实践的开源深度学习平台
飞桨致力于让深度学习技术的创新与应用更简单

很明显就是为了降低深度学习的门槛，这也是一项技术逐渐成熟的趋势。

学习过程

开始学习的时候，只是看以前百度架构师手把手教深度学习课程录播视频，主要关注的还是计算机视觉、自然语言处理和推荐系统，可能因为课程整体是面向零基础的学员，老师讲的也比较通俗易懂，所以学起来也不怎么吃力。曾经学习深度学习上来都是一堆深奥数学原理，基本公式推导，会给很多人一些心理上的负担，当然掌握了对以后的进阶还是很有必要的。
可能还是在推广阶段，参加每次课程都会有很多奖品，我倒是对那些奖品不是很感兴趣，起初直接影响我的还是为了证书…上学期间没发这方面的文章，有证书的话也算是在行业里有个凭证吧。
后来又开设的新课程，我就果断加入了，不就是每次都交作业嘛，安装要求做就是了。

实际操作

当然课上听的挺明白的，实际还是要自己操作才能真正明白。
在PaddlePaddle下有很多开源组件，从开发、模型训练到模型在各个平台的部署，一应俱全。几乎把深度学习算法工程师能做的事都可以用这些组件实现。

1. 模型资源
   如今深度学习应用已经在诸多领域落地，研发人员建模的首选方案往往不是自己编写，而是使用现成的模型，或者在现成的模型上优化。这一方面会极大地减少研发人员的工作量，另一方面现成的模型一般在精度和性能上经过精进打磨，效果更好。

那么，去哪里找现成的模型资源呢？

飞桨提供了三种类型的模型资源：

预训练模型工具（PaddleHub）；
特定场景的开发套件，遍布计算机视觉、自然语言处理、语音、推荐系统等领域的十几个任务（如飞桨图像分割套件PaddleSeg，飞桨语义理解套件ERNIE等）；
开源的模型库（Paddle Models）
2. 设计思想与二次研发：
当读者挑战一些最新的模型时，少数情况下，会碰到模型需要的算子飞桨没有实现。本章会告诉大家为飞桨框架增加自定义算子的方法，并通过讲述动态图和静态图的实现原理，让大家对飞桨框架的设计思路有一个更深入的认知。

3. 工业部署：
   与模型的科研和教学不同，工业应用中的模型是需要部署在非常丰富的硬件环境上的，比如将模型嵌入用C++语言写的业务系统，将模型作为单独的Web服务，将模型放到摄像头上等等。本章会介绍Paddle Inference、Paddle Serving和Paddle Lite来满足上面这些需求场景，并介绍模型压缩工具Paddle Slim，可以让模型在有限条件的硬件上以更快的速度运行。

4. 飞桨全流程研发工具：
   飞桨为大家提供了这么多的模型资源和工具组件，如何串联这些组件，并研发一个适合读者所在行业的可视化建模工具？ 本章会以一个官方出品的Demo为案例，向读者展示PaddleX可以为用户提供的全流程服务。

5. 行业应用与项目案例：
   权威的咨询机构艾瑞预测未来十年人工智能的产业规模增长率达40%，人工智能也作为国家新基建的战略重点，国务院关于AI应用发展规划也有很高的增长预期。虽然人工智能赋能各行各业在蓬勃发展，但依然有传统行业的朋友心存疑虑：

“我所在的行业太传统，人工智能没有用武之地吧？”

本章以能源行业为例，分析一家典型的电力企业在业务中可以用人工智能优化的环节，并展示基于飞桨建模的真实项目。

人工智能和深度学习是实践科学，如果这些武器不实际动手操练，是无法在战场上运用自如的。所以，本章精心选配了6个作业比赛，可以让大家在有趣的案例实践中，真正掌握这些武器，可以与最顶级的深度学习专家一拼高下。

一周有两次课，每次课都有作业，而且可能作业不止一个，虽然是二选一，但是我觉得我还是有时间和精力做的，毕竟大多做的都是CV工作(CTRL+C、CTRL+V)，如果说要有创意什么的，那可就不好搞了，所以做作业嘛，也是为了加深大家对paddle的理解，进一步的掌握。
所以高效的掌握知识还是从给的demo入手，先把demo跑通，跑通后在在上面修修改改，修修改改觉得还可以后，再试着仿照demo做个自己的小项目，简单了解下内部实现过程。
给我造成最大阻碍的是AI识虫的作业，那个作业其实跟人脸检测差不多，都是训练一个检测的模型。之前课程老师给出了代码，按照提示就可以完成哟yolov3的训练。从train，val、export json，都是一键式的脚本。而我在用PaddleDetection的时候就遇到很多问题…有几天都搞了好久，不过后来通过自己的努力都解决掉了，感觉真正的学习应该就是这样吧。
题目：已知1+1=2，求地球半径。
后面模型的调优和部署，简直就是开发人员的救星，你想做的全部都帮你封装好了，直接拿过来用就可以了，当然也是感谢那些走在我们前面的前辈。
现在还在尝试Paddle Lite提供的APP Demo中的yolov3怎么装到手机，目前yolov3的不能run到手机里，其他的尝试了几个都是没问题的，包括替换demo中的ssd为自己导出的模型。

总结

其实在完成时还是有些血泪史的…，通过本次课程的学习，让我进一步加深了对深度学习理解，也有了重新的认识。
也很庆幸自己的一个项目被评为了精品项目，当时打电话通知我的时候还有点不知所措…
最后，愿我们的paddle越来越完善，我也会向身边人多多推荐！