【原創】零基礎認識深度學習——猿人的第一次直立行走

前言

人工智慧是當今的熱議行業，深度學習是熱門中的熱門，浪尖上的浪潮，但對傳統IT從業人員來說，人工智慧技術到處都是模型、演算法、矢量向量，太晦澀難懂了。所以我寫了這篇入門級科普文章，目標是讓IT從業者能看清讀懂深度學習技術的特點，以及我們如何從中受益，找到自己的工作。

第一. 人工智慧的天時地利人和

行業的成熟要靠從業者的奮鬥（人和）,也要考慮大環境和歷史的進程（天時和地利）。

人工智慧技術的井噴並不是單純的技術進步，而是軟體、硬體、數據三方面共同努力水到渠成的結果，深度學習是AI技術的最熱分支，也是受這三方面條件的限制。

AI軟體所依賴的演算法已經存在很多年了，神經網路是50年前提出的技術，CNN/RNN等演算法比大部分讀者的年齡都要大。AI技術一直被束之高閣，是因為缺乏硬體算力和海量數據。隨著CPU、GPU、FPGA硬體的更新，幾十年時間硬體算力擴充了萬倍，硬體算力被逐漸解放。隨著硬碟和帶寬的降價提速，20年前全人類都沒幾張高清照片，現在單個公司的數據量就能達到EB級。大數據技術只能讀寫結構化日誌，要讀視頻和圖片必須用AI，人類已經盯不過來這麼多攝像頭了。

我們只有從心裡把AI技術請下神壇，才能把它當做順手的工具去用。AI的技術很深理論很晦澀，主要是這個行業剛剛發芽還未分層，就像20年前IT工程師需要全面掌握技能，現在的小朋友們連字符集都不用關注。

第二. 關聯度模型

深度學習有兩步工作，先要訓練生成模型，然後使用模型去推測當前的任務。

比如說我用100萬張圖片標記好這是貓還是狗，AI把圖片內各個片段的特徵提取出來，生成一個貓狗識別模型。然後我們再給這個模型套上介面做成貓狗檢測程序，每給這個程序一張照片它就能告訴你有多大幾率是貓多大幾率是狗。

這個識別模型是整個程序中最關鍵的部分，可以模糊的認為它就是一個密封黑盒的識別函數。以前我們寫程序都是做if-then-else因果判斷，但圖像特徵沒有因果關係只看關聯度，過去的工作經驗反而成了新的認知障礙，還不如就將其當做黑盒直接拿來用。

接下來我放一個模型訓練和推測的實驗步驟截圖，向大家說明兩個問題：

1.需要用客戶的現場數據做訓練才能出模型，訓練模型不是軟體外包堆人日就行，很難直接承諾模型訓練結果。

2.訓練模型的過程很繁瑣耗時，但並不難以掌握，其工作壓力比DBA在線調試SQL小多了，IT工程師在AI時代仍有用伍之地。

第三. 動手實驗

本節較長，如果讀者對實驗步驟和結果沒興趣，而是直接想看我的結論，也可以跳過這一節。

這個實驗是Nvidia提供的入門培訓課程——ImageClassification with DIGITS - Training a model。

我們的實驗很簡單，用6000張圖片去訓練AI識別0-9這幾個數字。

訓練樣本數據是6000張標號0-9的小圖片，其中4500張是用來做訓練（train），1500張是驗證（val）訓練結果。

####實驗數據準備 ####

1.訓練圖片很小也很簡單，如下圖預覽，就是一堆數字：

--下圖是 01樣本圖片 --

2.我做測試的圖片是官方教程提供了個白底紅字的「2」.

--下圖是 02測試圖片 --

####製作數據集 ####

3.首先我們要做一個圖片識別的數據集，數據集文件放在「/data/train_small」目錄下，圖片的類型選擇「Grayscale」，大小選28x28，其他都選默認，然後選擇創建數據集「minidata」。

--下圖是 03初始數據集 --

4.下面是數據集創建的過程，因為我們的文件很小很少，所以速度很快；如果是幾千萬張高清大圖速度就會很慢，甚至要搭建分散式系統把IO分散到多台機器上。

--下圖是 04初始數據集中 --

5.這是創建完成數據集的柱形統計圖，滑鼠恰好停在第二個柱形上，顯示當前標記為「9」的圖片有466個。

--下圖是 05創建完成數據集 --

####開始創建模型 ####

6.有了數據集以後我們就可以創建模型了，我們選擇創建一個圖像分類模型（Image Classification Model），數據集選之前創建的「minidata」，訓練圈數輸30次，其他選項暫時保持默認。

--下圖是 06新建模型 --

7.到了創建模型的下半段是選擇網路構型，我們選擇LeNet即可，將模型命名為TestA。

--下圖是 07選擇LeNet --

8.這次Demo我們沒做細節設置，但生產環境可能要經常修改配置文件。

--下圖是 08微調LeNet --

9.接下來就開始生成模型了，小數據集簡單任務的速度還是很快的，而且驗證正確率很高。但是如果是大任務大模型，可能會算上幾天時間。

--下圖是 09開始生成模型 --

10.模型生成完成，我們再看一下驗證正確率很高了，如果生產環境正確率太低，可能你要微調創建模型的參數。

--下圖是 10訓練完成後的accuracy--

####調試模型 ####

11.在模型頁面往下拖就可以看到下載模型、測試模型等按鈕，我們選擇測試模型，將那個「白底紅字2」提交做個測試。

--下圖是 11測試模型 --

12.默認是測試Epoch #30，我們先跑10次試試。本來想省點伺服器電費，結果只有20.3%的幾率識別正確。

--下圖是 12TestA模型10圈結果 --

13.我們提高測試圈數到25圈，結果準確率從20.3%提高到了21.9%。

--下圖是 13TestA模型25圈結果 --

14.整個模型的上限是30圈，正確識別結果也才21.92%。到了這裡我插一句，未正確識別可能是因為我的建模數據是28*28的黑白圖，而我給測試圖片大小和顏色都不對。

--下圖是 14TestA模型30圈結果 --

####更換模型繼續調試 ####

15.在TestA這個模型上可以點克隆任務，即製作一個同配置的模型再跑一次；這個按鈕有意思啊，我們以前編譯程序不通過的時候，retry十萬次也是不通過啊，為什麼克隆任務是個面板常用按鈕？

--下圖是 15克隆模型TestA --

16.這時好玩的事情發生了，我做出的「TestA-Clone」，識別出數字2的幾率是94.81%。

--下圖是 16克隆TestA結果 --

17.我們再把老模型克隆一次，結果識別出數字2的幾率是63.4%。

--下圖是 17再次克隆TestA結果 --

18.我新建一個模型TestB，讓它在TestA的基礎上再次訓練。

--下圖是 18新建TestB --

19.TestB的訓練結果反而不如最早的那一版模型，正確率20.69%。

--下圖是 19TestB的訓練結果 --

20.沒有最慘只有更慘，看我新訓練的模型TestC。

--下圖是 20TestC訓練失敗 --

21.從這次測試看，最好的模型是TestA-Clone，其次是Clone2。

--下圖是 21模型結果匯總 --

22.但這就算找到合適模型了嗎？我又手寫了個數字2，還特地選的黑底白字28*28，結果這幾個模型沒一個識別準確的，全部識別失敗。

--下圖是 22.新圖識別失敗 --

第四. 實戰才能出模型

本次實驗拿到正確率是94.81%的模型是意外驚喜，那個模型測其他圖片失敗倒是意料之中的。因為這次實驗的初始樣本才幾千張，如果樣本數量夠多，過擬合（即噪音特徵被納入模型）的可能性就越小；我用的全部是默認調試選項，添加其他特徵項調試模型可能會減少欠擬合（主特徵沒提取到）的幾率；我並未明確定義該模型的使用場景，即沒有明確訓練數據、測試文件和生產文件是否相同。

我們看到完全相同配置的模型，只因為點擊生成模型的時間不同，對同一個圖片的識別結果確千差萬別，再次強調這不是因果判斷而是相關性計算。實驗結論和我上文的主張相同，模型需要拿實戰數據進行實際訓練，且我們只能預估但不能預測模型生成結果。我做這個實驗就是給大家解釋，AI模型訓練不是軟體外包，不是談攏了價格就能規劃人日預估效果的。

一個AI技術供應商簡單點就是賣現成的模型，比如說人臉識別模型、OCR識別模型等等。但如果客戶有定製需求，比如說識別臉上有青春痘、識別是不是左撇子簽名，那就需要先明確技術場景，再準備數據大幹一場。至於練模型的時間是1天還是1個月不太確定，AI模型訓練像做材料試驗一樣，可能半年也可能十年才能發現目標。

第五. IT工程師的新工作

前文我提到兩個觀點，第二個觀點就是訓練模型的工作並不難，IT工程師可以較為容易的學會訓練模型的工作，然後我們就能繼續擴展從業範圍，在AI大浪潮中分一杯熱羹了。

首先說技術不是門檻，我們舉個IT工程師能聽懂的例子：一個Oracle DBA既沒讀過資料庫源碼，也還沒摸過新業務場景，甚至缺乏理論知識只能做常見操作；現在這個項目可以慢慢上線，讓他離線調試SQL，拿到性能最佳值的點日誌保存就完工了。做AI模型調試時，懂原理懂演算法會讓工作更有目的性，但更有目的性只能保證接近而不能保證命中目標。

根據上文的實驗，我們可以看到有下列工作是需要人做的：

1.根據客戶的要求，提出對原始數據的需求。這裡要動業務方向的腦子，比如說想查一下什麼人容易肥胖，天然能想到的是每個人的飲食和運動習慣，但專業醫生會告訴你要調取轉氨酶膽固醇一類的數據。

2.原始數據需要清洗整理和標註，沒找到相關性的樣本不是未標註的樣本。前文試驗中6000張圖片可都是標註了0-9的數字的，我們測試模型是為了找到「2」這一組圖片的相關性。清洗、整理和標註數據的工作可能是自動也可能是人工，自動做那就是我們寫腳本或跑大數據，人工做就是提需求然後招1500個大媽給黃圖打框，但工程師會對打框過程全程指導。這裡還有取巧的方法，友商的模型太貴甚至不賣，那就是直接用友商的公有雲API介面，或者買友商大客戶的日誌，讓友商幫你完成數據篩檢。

3.上文試驗中僅僅是圖片分類數據集，已經有很多可調整選項了；生產環境不僅有圖片還有聲音、文字、動作特徵等數據集，數據集的設置是否合理，要不要重建數據集都需要多次調試和長期觀察。

4.實驗中生成模型沒怎麼調參數也只花了一分鐘時間，但生產環境的模型生成參數要經常調整，而生成一個模型的時間可能是幾小時甚至幾天。

5.驗證結果的準確性，如果是柔性需求可以目測幾個測試結果就把模型上線了，但如果是剛性業務可能又要組織十萬份以上樣本進行測試驗證。順路說一句，用來訓練模型的硬體未必是適用於來驗證和跑生產環境的，如果是高壓力測試可能還要換硬體部署。

6.模型也有日常維護，可能隨著數據集的更新模型也要定期更新，也可能發現模型有個致命的誤判會威脅到業務，這都需要及時處理。

第六. 附贈的小觀點。

談到最後再附贈一些個人觀點，隨機想的，只寫論點不寫論證過程了：

1.現在搭建和使用AI環境很難，但軟體會進步和解決這個問題；三年前雲計算平台很難部署和維護，現在遍地都是一鍵部署和UI維護的雲平台方案。

2.深度學習這個技術領域太吃數據和算力了，人腦不會像AI這麼笨，可能以後會有新技術出現取代深度學習在AI領域的地位。

3.因為需要數據和算力，搞個AI公司比其他創業企業更難；現在有名的AI創業企業都是單一領域深耕三年以上，讓用戶提供數據他們只做單一典型模型。同樣巨頭企業搞AI也不容易，即使挖到人AI項目也要花時間冷起動，清洗數據不僅消耗體力同樣消耗時間。

4.深度學習的計算過程不受控制，計算結果需要人來驗證，所以它不能當做法務上的證據。當AI發現嫌疑人時警察會立刻採取行動，但它的創造者都無法描述AI下一步會如何下圍棋。一個嬰兒能尿出來世界地圖，某人隨手亂輸能碰對銀行卡的密碼，AI會告訴你股市99.99%要暴漲，但這些都不能當做獨立擔責的證據。

5.搞AI需要準備大量數據，中國對美國有個特色優勢，可以做數據標註的人很多而且價格便宜，但到模型實踐這一步，中國的人力成本太低又限制了AI走向商用。

6.不要恐慌AI會消滅人類，對人類有威脅的AI肯定是有缺陷的AI，但人類一樣也選出過希特勒這類有缺陷的領袖。也不要鼓吹AI會讓人類失業社會動蕩的，大家還是老老實實談星座運勢吧，我為什麼就不擔心自己失業？

7.有些事AI的確准率看起來很低實其很高，比如兩人對話聽能清楚80%的字就不錯了，AI只聽懂85%了的文字已經越超人類了。你看我打倒顛字序並不影響你讀閱啊。