我 相 信 这 么 优秀 的 你
已 经
置 顶 了 我
对于深度学习，我也是一个初学者，能力有限，但这些的确是我现在的真实想法，我也会按这个思路去尝试。
1
我是一个好奇心很重的人。
深度学习刚开始流行的时候，我就做过简单的学习。当时我的结论是短期内，深度学习只能在弱智能徘徊，很难进展到强智能。
这个结论在今天看来，也不算过时。但真正被深度学习给 Shock 到，是去年和某教育 APP 的 CEO 同学聊天。他告诉我，在教育这个垂直领域，他们的语音识别率已经比讯飞要高了，依赖于大量的数据；更 NB 的是，加上 NLP，他们的 AI 已经可以帮老师改主观题了。主观题啊，就是数学的问答题，语文的作文。
这让我开始重新思考弱智能。
2
完全依靠强智能的应用场景，会产生很多问题。比如自动驾驶，要想在中国这种各种奇葩状况层出不穷的交通环境下运行，一时半会儿是不行。即使是一个看起来简单的问答机器人，也没一家真正做好，你多问 siri 几句，她很快就晕了。
经常关注我微博同学会知道，我最喜欢说的一句话就是：「能自动化的，要自动化；不能自动化的，要半自动化」。
在人工智能上，这个法则似乎依然是有效的。既然现在强智能还不够强，那么为什么我们不用弱智能+人工确认的方式，来实现「半智能化」呢：用机器帮你做预选，你来做最终选择，虽然依然包含了人工干预，但却可以把生产效率提升几十倍。
3
有同学和我说，找不到应用深度学习的场景，这是因为太执着于强智能，想让机器独立处理所有事情；如果使用「半自动化」的思路，你会发现遍地都是场景。
最典型的场景就是「按需求进行组合搭配」。拿今天小程序举例，小程序在框架层上，将功能分隔到了page 的粒度，这使得小程序的组件会很好的被重用；而在设计上，小程序提供了统一的官方指导风格，所以不会出现太多个性化的东西。
我需要一个用户资料管理， xpm install user-profile；我需要动态 Feed 流，xpm install feed-timeline 。
然后这货就喊着要去做，还在 GitHub 上开了个坑，据说 SDK 已经写完，安装器年前能开始内测。https://git.oschina.net/xpmjs/xpm
然后我告诉他，你得赶紧做，从长远看，通用应用最后是不太值钱的，因为很快就有开源项目把它做得很好。真正值钱的是，下沉到行业里边的应用。比如说吧，同样是用户资料页，房地产行业的、猎头行业的以及技术社区的会完全不一样。但区别也就是添加几个行业特定的字段而已。 大量的「二次开发」工作，才是最为琐碎又最为挣钱的。
这就是典型的可以用上深度学习的场景。通过抓取对应行业的 H5 页面，我们很快就可以把各个行业需要哪些可能的字段给整理出来，然后把这些交给机器进行学习，当再有新的需求进来的时候，机器就可以自动配好预设字段。机器会出错么？当然。但哪怕是80%的准确率，也已经可以节省掉好几个程序员了。
为什么我要学深度学习？ 因为这背后是 TM 白花花的银子。
4
其实细心的同学会发现，我一直说的是「深度学习」而不是「机器学习」。
因为我的目的很简单，那就是用。在学习第一年，我给自己定的目标不是要理解「机器学习」的原理，而是要把「深度学习」用到自己产品的方方面面。
先学「深度学习」还有一个好处，那就是不用太多「机器学习」的基础。能把tensorflow、kears 这种开源框架搭起来，然后喂数据，然后看结果。等到优化的时候再去补知识点。
因为深度学习更像是一个黑盒子，现在很多专门搞深度学习的同学也说不清楚为什么要建三个层、要放四个节点；什么情况下用什么激活函数。只说通过实践+观察数据慢慢调整。这简直就是新手上路的最好切入点嘛。
如果不想在本地搭建环境，AWS 上已经有可以用的镜像，基于 API 的深度学习服务也日益增多。这东西就像水电气一样，用比学重要。
也有同学严谨的指出，很多场合下，机器学习的其他方法远比深度学习有效。他们是对的，如果说学好整个机器学习，可以做到90分；那么光用深度学习，可能只有70分。
但现在绝大部分的程序，连 TM 一点智能都还没用上呢。从零分到70分，只需要把深度学习用起来。
为什么我要学习深度学习，因为这 TM的性价比太高。
