“时代已经非复少年时代了，谁还有悠闲的心情在闷人的风雨中煮酒烹茶与琴诗为侣呢？”
2018年底，加入平安，工作生活一如既往紧张，如履薄冰。
第一件落在我头上的，便是“搞人工智能”。
如何开始的
对于一个开发者来说，拘泥于语言或者某种技术，是十分不好的。所谓“君子不器”，首先我们是人，其次是我们会用工具---而不是把我们变成工具。我本来是做后台开发的，50%java/50%php算是我的技术构成吧。
入职没多少天，我就被分到了一间会议室中，里面密密麻麻坐着十来位同事，环境很逼仄，对我这样的肩颈病患来说，可以说是相当不友好（之间喜欢把显示屏垫得老高，现在只能拿笔记本敲代码）。
有一天，架构师走了进来，拿出了“关卡选择”：EASY--单点登录、NORMAL--爬虫、HARD--CV方向深度学习，好让我们几个新人别闲置着。我果断选择了NORMAL难度（后来发现并不normal，一直在爬虫，反爬虫，反反爬虫之间游走），但是这个小爬虫，只做了不到一个月，没任何上线，也只是开启了我python之路，仅此而已。
分到搞深度学习那哥们，没弄几天，就做回老本行了。领导找到我，认为我也会python了，要不接一下？
好的，接吧。当时甚至还有些兴奋。
迷茫中探索
第一个需求就是识别一些违规场景，面对的一片漆黑的溪水，打着灯摸石子过河。训练样本图片怎么来？选用什么模型？怎么评估模型？怎么调优模型？部门没有人有太多经验。
我们用的是yolov3，前期因为缺乏经验，效果相当不好。那时也犯了焦虑，把很多很基础的理论知识都打算过一遍：
- 吴恩达的课程必不可少！
- 《python深度网络》必须刷一遍！
- 自己实现一个反向传播！
还有很多很多，浏览器的收藏夹塞得满满当当的。项目是紧迫的，它可不会给你太多优待。
当时认为深度学习并不像springboot，laravel这些技术，可以开箱即用，少了这份爽感的同时，也会让人束手无策。于是我就加了一些QQ群，在里面观察了几天，挑出了几个技术大佬，加了他们微信，5块钱问一个问题，美其名：“别客气，拿去喝啤酒”。
算法弃坑过程
之前的定位便错了，老想着修改模型结构，模型裁剪等等。前期“焦虑”而狼吞虎咽地学习一波理论知识，虽然有点囫囵吞枣消化不良，但给后期模型调参提供了理论支撑。若不是对场景识别效果相当严格的，深度学习也可以是“开箱即用”的。
“人工智能”，“AI”，这些存在于科幻电影里的词汇，即使是处处广告牌都是“AI赋能”，你也得承认，现阶段也仅仅存在于科幻电影里，我们只有深度学习和机器学习。
这是一篇文章的观点，本人表示很赞同。突然有一天，AlphaGo的新闻通过推送平台罗列在每个人的手机消息栏里，注定会有许多人像个小学生一样，通过几个词在自己的想象中发酵，大书特书。人即将成为神，可以造人，像极了电影《普罗米修斯》。
个人观点是，人工智能技术，必将被广泛应用，但是像从“蒸汽时代”过渡到“电气时代”这种程度，这就有点玄幻了。
很多公众号也开始带节奏，也正是这股风气，有点全民学AI的感觉。他们都抓住了一点，不学AI=失业，后台的同学们，赶紧学起来呀！
经过一年的摸爬滚打，慢慢从算法上弃坑了，观点有三：
- 算法能力要求过高，需要大量时间去重温高数，加之github很多优秀的神经网络可以选择；
- 算法工作有点“一夫当关万夫莫开”的感觉，就业面没有想象中那么广；
- 任何东西都需要落地，没有场景，模型拥有再好的精确度和召回率，也是纸上谈兵。
于是我着重做以下事情：
1.学会评估服务器资源
通过压力测试，找到服务器的支撑能力。在不同的框架下（如tensorflow或者pytorch）对显存的管理方案是不同的，tensorflow可以约定显存的使用率pytorch却不能，可以通过nvidia-docker的设置来限定显存使用，从而好预估服务线性拓展的能力，也能更好的利用宝贵的GPU资源。
2.学会评估深度神经网络的优劣
现在手上主打的深度神经网络是Cascade R-CNN和yolov3，前者检测更为精准，而后者则更快。之前与同事预研实时流AI检测，当时选用了yolov3。yolov3可以在数十毫秒完成检测，如果根据24帧/s来计算，只要检测速度进入40毫秒就可以了。当然这只是一个识别场景，即一个label，如果多几个识别场景，就需要从业务上进行优化了。
3.分布式训练
分布式训练一般有两类：相同时间内，loss值下降得更快；训练轮数相同时，loss值下降更快。经过测试，时间或者loss值的改变和GPU个数是类线性关系的，但是在实际的训练过程中，会逐渐偏离线性。个人认为使用第二种方案会比较好，因为在训练的后期loss值到一个平谷，那时时间再长，也走不出平谷，所以选用第一种方案可能前期loss值降的很快，但是后期都是在做无用功。用第二种方案，就能手动设置训练轮数，节省不必要的训练时间。测了几种分布式的方案，最终是选择了优步公司的Horovod作为分布式训练的技术选型。
4.自己开发小工具，减少重复劳动
为了减少重复工作开发了很多小工具，如统计标签，图片的数据增强等等，觉得最有用的是自己开发的样本分拣系统。由于标注的人员比较多，大家对标注的理解不一，会导致一些很差的样本混进训练集，随着样本数越来越庞大，我复核的时间也越来越长，相当辛苦。当时为了评估模型的好坏，用mAP算法对模型进行考核，突发奇想为何不把mAP作用到训练集呢？从而评估训练样本的优劣程度。通过自动化的检测+分拣，我审核的样本数量大大减少，从原来的1.2万张图片选出200多张质量差的样本，而不需要我将1.2万全量肉眼扫一遍了。
不管是算法类还是工程类，都遇到很多坑：分布式跑不通，github上issue没有回复，调几天终于调出来；和同事没日没夜标注，但效果不好，重新换一种标注方式，再从头来一遍；配置参数没经验，根据“控制变量法”，只能一个个调一次次跑，生怕“污染”了原本训练效果好的调参......这一些看似浪费了大量的时间，但也正是积累和扎根的过程，这一整年也是受益匪浅。想想做人工智能的科学家也真是伟大，能把万物提炼成简单的数字矩阵，存在小小的磁盘中，《普罗米修斯》、《黑客帝国》、《西部世界》这会不会就是未来呢？