如何高效的学习AI
我对AI学习的理解:知其然,知其所以然,不求甚解,动手动手再动手。也可以理解为AI学习的三个过程。
知其然:知道AI的模型和方法,如何使用这些模型和方法来解决问题,了解模型和一些框架。比如图像分类,我们知道有VGG、ResNet、EfficientNet、MobileNet等常用的网络,可以用这些网路来解决图像分类问题。总之,先用起来再说。
知其所以然:知道AI的模型和方法的实现方法,学习一些经典的论文,掌握这个行业的发展趋势。还是用图像分类举例,我们知道ResNet的Block的结构,整个网络的结构,知道作者论文中用了哪些方法提高算法的成绩。这些对我们日后构建自己的模型是由帮助。
不求甚解:不要去纠结AI模型的解释性,也不要逐字逐句的去纠结每层的意义,甚至参数的设置。目前,AI没有固定的理论和定理,很多方法和模型也是做实验出来的,对于大部分人来说,这些都是无意义的。
动手动手再动手:李沐写了一本书叫《动手学深度学习》,书的名字已经告诉了我们如何学习深度学习?那就是动手。很遗憾,现实的情况是很多人把模型和方法讲的头头是道,甚至能把论文背下来,但是却无法写出最简单的程序,比如图像分类、文本分类这类。把大量的时间放在理论上,动手能力几乎为零,有的不会写python,别人写好的也看不懂,有的不会加载数据,有的不会调用模型。总而言之,就是缺少动手能力。
学习途径
我总结了几种学习途径:
1、参加AI相关的课程。如果是学生可以参加本学校的课程,如果已经工作可以看一些公开课。这样学到知识偏理论,毕竟不能再课上一直讲代码。
2、购买书籍,AI的书籍有偏理论的,比如《深度学习》、《统计学方法》,比较适合学理论知识,如果是初学者,学起来非常艰难,很难坚持下来。更多的是偏向实战的,这些书有个共同的特点就是例子基本上一致,而且书中的代码比较老旧,想运行代码还要做一些修改。
3、关注一些公众号和博客,公众号和博客更新的内容还是比较新的,也能帮助我们解决一些问题,但是也有缺点,就是缺乏系统性,而且很多文章用的代码,作者也没有做验证。导致我们浏览了很多文章并不能解决问题。
4、参加一些培训,参加培训是一种快速学习的方式,这里说的快速是对比上面的几种,对于上班族来说,岗位提升和转行都是不错的选择。有句话,免费的往往是最贵的,我觉的贵在时间上。如果有机构能将知识总结好,做到情景化教学,实战化训练,让学员快速掌握知识,也是不错的选择。
我在网上找到了一份不错的培训教程,拿来和大家分享一下。
中国管理科学研究院关于举办“迁移学习(Transfer Learning)核心技术开发与应用研修班”的通知 (qq.com)
接下来,我们一起看看课程。
目标
1、深⼊了解神经⽹络的组成、训练和实现,掌握深度空间特征分布等关键概念;
2、掌握迁移学习的思想与基本形式,了解传统迁移学习的基本⽅法,对⽐各种⽅法的优缺点;
3、掌握深度迁移学习的思想与组成模块,学习深度迁移学习的各种⽅法;
4、掌握深度迁移学习的⽹络结构设计、⽬标函数设计的前沿⽅法,了解迁移学习在PDA、Source-Free DA上的应⽤;
5、掌握深度迁移学习在语义分割、⽬标检测、⾏⼈重识别等任务中的应⽤,学习图像/视频⻛格迁移法,了解⻛格迁移在实际⽣活中的应⽤;
6、了解并掌握⼩样本学习、Transformer等前沿⽅法和基本思想和实际场景下的应⽤;
7、通过实操掌握图⽚视频⻛格迁移,⾃动驾驶中的跨域语义分割,⽬标检测。
适用人群
主要面向各企、事业单位的工作人员。
具体课程安排
基础知识
⼀、机器学习简介与经典机器学习算法介绍
内容
- 什么是机器学习?
- 机器学习框架与基本组成
- 机器学习的训练步骤
- 机器学习问题的分类
- 经典机器学习算法介绍
章节⽬标
机器学习是⼈⼯智能的重要技术之⼀,详细了解机器学习的原理、机制和⽅法,为学习深度学习与迁移学习打下坚实的基础。
⼆、深度学习简介与经典⽹络结构介绍
内容
- 神经网络简介
- 神经网络组件简介
- 神经网络训练方法
- 卷积神经网络介绍
- 经典网络结构介绍
章节⽬标
深⼊了解神经⽹络的组成、训练和实现,掌握深度空间特征分布等关键概念,为深度迁移学习奠定知识基础
三、迁移学习基础
内容
- 迁移学习绪论
- 基于样本的迁移学习
- 基于特征的迁移学习
- 基于分类器适配的迁移学习
章节⽬标
掌握迁移学习的思想与基本形式,了解传统迁移学习的基本⽅法,对⽐各种⽅法的优缺点,掌握迁移学习的适⽤范围。
四、深度迁移学习介绍
内容
- 迁移学习绪论
- 基于样本的迁移学习
- 基于特征的迁移学习
- 基于分类器适配的迁移学习
章节⽬标
掌握深度迁移学习的思想与组成模块,学习深度迁移学习的各种⽅法,对⽐各种⽅法的优缺点,掌握深度迁移学习的适⽤范围。
迁移学习方法及应用
五、迁移学习前沿⽅法介绍
内容
- 深度迁移网络结构设计
- 深度迁移学习目标函数设计
- 全新场景下的迁移学习
章节⽬标
掌握深度迁移学习的⽹络结构设计、⽬ 标 函 数 设 计 的 前 沿 ⽅ 法 , 了 解 迁 移 学 习 在PDA、Source-Free DA上的应⽤。
六、迁移学习前沿应⽤
内容
- 迁移学习在语义分割中的应用
- 迁移学习在目标检测中的应用
- 迁移学习在行人重识别中的应用
- 图片与视频风格迁移
章节⽬标
掌握深度迁移学习在语义分割、⽬标检测、⾏⼈重识别等任务中的应⽤,学习图像/视频⻛格迁移⽅法,了解⻛格迁移在实际⽣活中的应⽤。
七、⼩样本学习、Transformer等前沿⽅法与应⽤
内容
- 小样本学习概念与基本方法介绍
- 小样本学习应用
- Transformer概念与基本方法介绍
- Transformer在图像领域的应用
章节⽬标
掌握⼩样本学习、Transformer等前沿⽅法和基本思想,了解⼩样本学习、Transformer等在实际场景下的应⽤。
环境搭建
-
硬件准备:GPU显存11GB以上
-
软件准备:Linux操作系统(Ubuntu16.04以上),显卡驱动安装(512.54),CUDA Toolkit(10.1)和cuDNN加速库(7.6.4),VS Code编辑器安装,Jupyter Notebook
-
编程语⾔和框架:Python3.8.5、torch==1…07、torchvision==0.8.2、mmcvfull==1.3.7、opencv-python==4.4.0、matplotlib==3.4.2、numpy==1.19.2、Pillow==8.3.1、scikit-learn==1.0.2
-
数据集准备:Office-31、IRVI、GTA5、Cityscapes、Foggy cityscapes等
注:硬件准备由主办⽅提供云服务器
深度迁移学习实践
-
掌握PyTorch中的基本原理和编程思想。
-
理解在⼀个新的场景或数据集下,何时以及如何进⾏迁移学习。
-
利⽤PyTorch加载数据、搭建模型、训练⽹络以及进⾏⽹络微调操作。
-
给定迁移场景,利⽤daib库和⽣成对抗技术独⽴完成图像分类中的领域适配。
-
迁移效果的可视化,利⽤机器学习库scikitlearn中的t-SNE对迁移过后的⾼维数据进⾏可视化。
图⽚与视频⻛格迁移实践
- 掌握基于⽣成对抗⽹络的⻛格迁移技术。
- 图像/视频⻛格迁移⽹络的搭建,重点掌握编码器和解码器的内在逻辑和不同损失函数的运⽤。
- 实践红外视频转换到可⻅光视频的⻛格迁移
⾃动驾驶中的跨域语义分割实践
-
掌 握 语 义 分 割 发 展 现 状 及 代 表 性 ⼯ 作 , 如FCN,DeepLab系列等。
-
了解常⽤的语义分割评价指标(PA、mPA、mIoU 、 FWIoU ) 和 常 ⻅ 数 据 集 ( PASCAL VOC2012 , ADE20K 、 BDD100K 、Cityscapes、GTA5、Dark Zurich)。
-
语义分割⼯具箱MMSegmentaion的认识和使⽤。
-
设计⼀个分割模型能够从仿真环境中得到的数据迁移到真实场景下产⽣的数据 。
⽬标检测实践
- 掌握⽬标检测算法的基本框架以及⽬标检测中的经典模型,如R-CNN系列的两阶段检测模型和YOLO系列的单阶段检测模型。
- 掌 握 ⽬ 标 检 测 模 型 的 评 测 指 标 ( IOU 和mAP)、标准评测数据集(Pascal VOC,MS COCO和Cityscapes)以及检测模型中的⼀些训练技巧,如数据增强、多尺度训练/测试、预测框微调/投票法、在线难例挖掘、软化⾮极⼤抑制、RoI对⻬和集成。
- 实践基于Transformer的端到端⽬标检测框架的搭建,并在新的数据集上与基于CNN的⽹络进⾏迁移性能的对⽐。
培训专家
培训专家来⾃中国科学院计算技术研究所、清华⼤学、北京理⼯⼤学等科研机构和⼤学的⾼级专家,拥有丰富的科研及⼯程技术经
验,⻓期从事⼈⼯智能芯⽚、FPGA、深度学习等领域的教学与研究⼯作。
通过考核的学员,由中国管理科学研究院现代教育研究所颁发《迁移学习核⼼技术开发与应⽤⼯程师》(⾼级)岗位认证证书,可
通 过 官 ⽅ ⽹ 站 查 询(http://www.zgyxdjy.com),该证书可作为有关单位专业技术⼈员能⼒评价、考核、任职和职称评定的重要依据。
对于需要证书的朋友来说学完就完结了了,但是,对于想研究AI的朋友们才是刚刚开始。我认为,经过培训,你可以掌握点,你还需要继续扩展将点连成线,打造成自己的知识体系才算完美。
日拱一卒无有尽,功不唐捐终入海!坚持!
- 点赞
- 收藏
- 关注作者
评论(0)