非算法程序员如何深入学习AI/深度学习

在网上找了一些例子之后，深度学习的神秘面纱已经被我们揭开一角，从原理上好像就那么一回事，但是深入的又不是很懂，事实上相信很多朋友都遇到了这样的情况，那么如何深入学习呢？笔者这里提供了一个思路供借鉴。

首先自我说明一下，笔者之前搞嵌入式的，因此不是玩算法的大拿，之前对机器学习也知之甚少，因此直接去搞算法优化之类没什么感觉，既然如此，我们的想法是先工程化搭个系统玩玩，然后在该工程的基础上进行某个局部的优化，从而一步步深入了解，目标直指fellow！！！(开个玩笑)

主体思路如下

一、先搭一个完整系统玩玩 

     摄像头/麦克风输入 -> 笔记本/树莓派 运行 物体检测/人脸识别/语音识别 -> 结果显示

*注：这里可以随意选一个方向，笔者认为图像相对简单些，语音门槛高一些，因此果断先选择图像做物体检测，关于硬件，家里有带摄像头笔记本就直接用，没有就买个树莓派+摄像头，500RMB搞定*

二、对以上系统进行加速

      如  加入计算资源，GPU/VPU/DSP等都可以，关键要有合适的接口，能连接到我们的笔记本/树莓派(这一步的计算资源不容易找，略过也可，这一步的关键在于我们加速的过程中会遇到问题，从而引导我们在解决问题的过程中对加速点、对整个系统有更深入的了解)

三、以上的实验系统搭完了，关于计算加速也有感觉了，是时候往实际应用上靠一靠了

    这个时候，作为底层嵌入式程序员，想当然的就想把我们的算法放到低功耗嵌入式设备上跑一跑了，那么我们就做一做MCU + RTOS的系统搭建了，这个时候就需要精简模型、精简功能了。 

 这里有两件事情： 

           1. 模型、功能的精简，这里的验证工作就可以放到第一步、第二步搭建的系统上去做，或者放到云上做都是可以的。

           2. 嵌入式系统上的框架移植或搭建

四、上面一步做完，基本我们也算半个专家了，接下来我们还要进阶

    这个时候，我们会发现低功耗的嵌入式做大型网络计算能力也不够了，那么是不是很自然地就想要加个异构资源辅助计算呢，加了计算资源之后就需要调整上面的框架，完善整个系统，做性能、存储资源、功耗方面的优化

目标设好之后，剩下的事情就是。。。 开工

欢迎指正交流

作者|莫一楠