大龄程序员的人工智能学习之路[2]

题图：由 Sasin Tipchai 在 Pixabay 上发布

吴恩达的《Machine Learning》在线课程就不用我赘述了，有两个学习途径：

1. 上Coursera在线教学网站学习，优点是每个章节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。

2. 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练习。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理解。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，但比较实用，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：

1. 狗狗图片数据集哪里来？

2. 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？

3. 微信小程序如何开发？

4. 模型如何部署？

5. 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：https://github.com/mogoweb/aidog

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（生成 对抗 网络）产生了兴趣，还买了一本《GAN：实战生成对抗网络》。

在下一篇文章中，我将继续讲述我的大龄程序员的人工智能学习之路，敬请关注。

你还可以读：

大龄程序员的人工智能学习之路[1]