人工智能是當今的熱議行業，深度學習是熱門中的熱門，但對傳統 IT 從業人員來說，人工智能技術到處都是模型、算法、矢量向量，太晦澀難懂了。所以本文的目標是讓 IT 從業者能看清讀懂深度學習技術的特點，希望讀者能夠從中受益。　

　第一、 人工智能的天時地利人和

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

　　人工智能技術的井噴并不是單純的技術進步，而是軟件、硬件、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 軟件所依賴的算法已經存在很多年了，神經網絡是 50 年前提出的技術，CNN/RNN 等算法比大部分讀者的年齡都要大。AI 技術一直被束之高閣，是因為缺乏硬件算力和海量數據。隨著 CPU、GPU、FPGA 硬件的更新，幾十年時間硬件算力擴充了萬倍，硬件算力被逐漸解放。隨著硬盤和帶寬的降價提速，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志，要讀視頻和圖片必須用 AI，人類已經盯不過來這么多攝像頭了。

　　我們只有從心里把 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，然后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征提取出來，生成一個貓狗識別模型。然后我們再給這個模型套上接口做成貓狗檢測程序，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，但圖像特征沒有因果關系只看關聯度，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：

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

　　訓練模型的過程很繁瑣耗時，但并不難以掌握，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

　　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 --

　　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 --

　　制作數據集

　　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，然后選擇創建數據集“minidata”。

　　-- 下圖是 03 初始數據集 --

　　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，甚至要搭建分布式系統把 IO 分散到多臺機器上。

　　-- 下圖是 04 初始數據集中 --

　　這是創建完成數據集的柱形統計圖，鼠標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

　　有了數據集以后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 --

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

　　-- 下圖是 07 選擇 LeNet --

　　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 --

　　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 --

　　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 訓練完成后的 accuracy--

　　調試模型

　　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 --

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

　　-- 下圖是 12TestA 模型 10 圈結果 --

　　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 --

　　整個模型的上限是 30 圈，正確識別結果也才 21.92%。到了這里我插一句，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

　　在 TestA 這個模型上可以點克隆任務，即制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，為什么克隆任務是個面板常用按鈕？

　　-- 下圖是 15 克隆模型 TestA --

　　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 --

　　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 --

　　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 --

　　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 --

　　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 --

　　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 --

　　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（即噪音特征被納入模型）的可能性就越小;我用的全部是默認調試選項，添加其他特征項調試模型可能會減少欠擬合（主特征沒提取到）的幾率;我并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 模型訓練不是軟件外包，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。但如果客戶有定制需求，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，再準備數據大干一場。至于練模型的時間是 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并不難，IT 工程師可以較為容易的學會訓練模型的工作，然后我們就能繼續擴展從業范圍，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 既沒讀過數據庫源碼，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志保存就完工了。做 AI 模型調試時，懂原理懂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：

　　根據客戶的要求，提出對原始數據的需求。這里要動業務方向的腦子，比如說想查一下什么人容易肥胖，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。

　　原始數據需要清洗整理和標注，沒找到相關性的樣本不是未標注的樣本。前文試驗中 6000 張圖片可都是標注了 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、整理和標注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后招 1500 個大媽給黃圖打框，但工程師會對打框過程全程指導。這里還有取巧的方法，友商的模型太貴甚至不賣，那就是直接用友商的公有云 API 接口，或者買友商大客戶的日志，讓友商幫你完成數據篩檢。

　　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、動作特征等數據集，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。

　　實驗中生成模型沒怎么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。

　　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，用來訓練模型的硬件未必是適用于來驗證和跑生產環境的，如果是高壓力測試可能還要換硬件部署。

　　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

　　談到最后再附贈一些個人觀點，隨機想的，只寫論點不寫論證過程了：

　　現在搭建和使用 AI 環境很難，但軟件會進步和解決這個問題;三年前云計算平臺很難部署和維護，現在遍地都是一鍵部署和 UI 維護的云平臺方案。

　　深度學習這個技術領域太吃數據和算力了，人腦不會像 AI 這么笨，可能以后會有新技術出現取代深度學習在 AI 領域的地位。

　　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。

　　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采取行動，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單責的證據。

　　搞 AI 需要準備大量數據，中國對美國有個特色優勢，可以做數據標注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。

　　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，我為什么就不擔心自己失業？

　　有些事 AI 的確準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。你看我打倒顛字序并不影響你讀閱啊。