很多互聯(lián)網(wǎng)PM都想轉(zhuǎn)型到人工智能產(chǎn)品經(jīng)理，作者也一樣，還是零編程基礎(chǔ)、零算法基礎(chǔ)、零AI實(shí)戰(zhàn)經(jīng)驗(yàn)?？释麑ι窠?jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)理解得多一點(diǎn)，就親自驗(yàn)證了一條有效的極簡路徑：40-50小時(shí)，學(xué)會(huì)搭建幾種簡單的神經(jīng)網(wǎng)絡(luò)。理解原理的同時(shí)，還能增強(qiáng)信心和興趣。

對互聯(lián)網(wǎng)PM來說，做Demo就是本能。雖然AIPM崗的職責(zé)不涉及代碼操作，但目前還沒有專用的Demo工具。所以用Python實(shí)操理解ML，是個(gè)踏實(shí)高效的切入口。這套極簡路徑，總共有三步：淺學(xué)Python–>入門Tensorflow–>入門Keras。

淺學(xué)Python【20小時(shí)】

配置環(huán)境：如果不想安裝虛擬機(jī)，沒Mac電腦，推薦Windows環(huán)境下用Python_3.5.4 + PyCharm_2017 編輯器。

學(xué)習(xí)節(jié)奏：選用莫煩或小甲魚的免費(fèi)視頻（約7小時(shí)），學(xué)到函數(shù)就停下，按心情決定是否把函數(shù)全學(xué)完。下載一款A(yù)PP：Python利器，有空就瞅幾眼。再抽空看看與機(jī)器學(xué)習(xí)相關(guān)的文章，找找感覺。

牢記初心：目的是理解ML，用Python操作Tensorflow、Keras構(gòu)建神經(jīng)網(wǎng)絡(luò)。所以暫時(shí)不學(xué)爬蟲、游戲等。多敲代碼，不苛求閉眼睛敲出30行以上，熟悉語法就OK。

入門Tensorflow【25小時(shí)-重點(diǎn)】

2.1 配置環(huán)境：用pip安裝Tensorflow1.4_cpu版，和numpy、matplotlib、sklearn等類庫，白天安裝pip下載快。

2.2 學(xué)習(xí)節(jié)奏：選用莫煩的Tensorflow入門免費(fèi)教程，視頻共5個(gè)小時(shí)。跟著老師敲代碼，怕忘的地方用#標(biāo)注，遇到不懂就上網(wǎng)查或問朋友。

2.3 時(shí)間分配：主要時(shí)間用來理解ANN的結(jié)構(gòu)，還有調(diào)試BUG。Pycharm可以智能提示語法BUG，困擾初學(xué)者的往往是邏輯BUG，比如哪個(gè)參數(shù)傳錯(cuò)了。這種情況查一下原版教學(xué)代碼，用文件對比工具找到原因，就可以解決問題。

2.4 執(zhí)行標(biāo)準(zhǔn)：理解Tensorflow的框架結(jié)構(gòu)和操作思路，能讀懂每行代碼，順利運(yùn)行就OK。

第2個(gè)小時(shí)：能擬合出一條線性函數(shù)曲線

第3個(gè)小時(shí)：可以創(chuàng)建傳說中的神經(jīng)網(wǎng)絡(luò)

第5個(gè)小時(shí)：可視化損失函數(shù)和神經(jīng)網(wǎng)絡(luò)

當(dāng)我們輸出了Graph時(shí)，一切都變得直觀了。就這樣一步步實(shí)現(xiàn)Tensorboard、過擬合、CNN、RNN、無監(jiān)督等案例，整個(gè)人會(huì)越來越有信心。

20-30小時(shí)：我們能實(shí)現(xiàn)上圖的LSTM。

可以一邊操作，一邊想象過程：比如點(diǎn)擊上圖中第一個(gè)隱藏層in_hidden，展開后能清晰地看到神經(jīng)元和流動(dòng)的張量。輸入信號(hào)的shape先從3維轉(zhuǎn)到2維，優(yōu)化器參與梯度優(yōu)化，shape從2維升到3維，最終將輸出信號(hào)給到LSTM。

LSTM中每個(gè)cell選擇性接收前一個(gè)cell的記憶和輸入信號(hào)，再選擇性輸出給下個(gè)cell。循環(huán)往復(fù)類似的過程，模型就擁有了長久記憶能力。通過下面的結(jié)果圖，可以直觀地看到藍(lán)線始終在學(xué)習(xí)紅線的軌跡。經(jīng)過不斷的循環(huán)，藍(lán)線最終擬合到接近紅線的程度。

淺學(xué)Keras【5小時(shí)】

依然用莫煩的視頻教程，比較簡單就不細(xì)說了?？赡苡腥擞X得學(xué)習(xí)50小時(shí)依然很長，都?jí)蛲?20盤王者榮耀了。也可以跨過Tensorflow直接上Keras，大約30小時(shí)內(nèi)出模型。這里作者還是推薦學(xué)習(xí)Tensorflow，有助于更深入理解細(xì)節(jié)。

以上就是入門神經(jīng)網(wǎng)絡(luò)Demo的三步走。如果你與我一樣是工作兼學(xué)習(xí)，只要每天投入4小時(shí)，堅(jiān)持2-3周，就可以有這5項(xiàng)收獲：

1. 理解概念：張量、激勵(lì)函數(shù)、優(yōu)化器、損失函數(shù)、梯度下降、反向傳播、學(xué)習(xí)率、批標(biāo)準(zhǔn)化等。
2. 理解模型：CNN–>卷積、池化、全連接；RNN–>分類、回歸、LSTM；非監(jiān)督學(xué)習(xí)–>聚類、降維。
3. 了解工程：采集標(biāo)注、設(shè)計(jì)模型、構(gòu)建模型、訓(xùn)練模型、測試調(diào)優(yōu)等流程，有助于跟工程師更好地交流配合。
4. 抽象能力：構(gòu)建神經(jīng)網(wǎng)絡(luò)會(huì)思考數(shù)據(jù)的特征、模型的結(jié)構(gòu)，不知不覺間就經(jīng)歷了抽象特征–>可視化的全過程。
5. 類機(jī)器思維：本文的寫作思路，就模仿了機(jī)器學(xué)習(xí)過程。以理解原理（result）為導(dǎo)向，從學(xué)習(xí)資源（data）中提取特征，對信息做過濾、降維處理。然后通過實(shí)踐（training）優(yōu)化認(rèn)知（optimizer），再將個(gè)人推測（prediction）與真相對比印證（loss）。自從接觸了AI，類機(jī)器學(xué)習(xí)的思維模式就開始賦能我生活、工作的場景。它幫助我不斷進(jìn)化，越來越高效。

寫在最后

關(guān)于學(xué)習(xí)，我最在乎的就是速度，唯快不破！現(xiàn)實(shí)中每條賽道終點(diǎn)幸存者寥寥無幾，參賽者都在拼命減少犯錯(cuò)的可能性。全民拼命的背景下，誰犯錯(cuò)少誰就勝出。

AI的范疇比較大，我轉(zhuǎn)型的策略是先模擬項(xiàng)目、模擬Demo，“一石多鳥”的學(xué)習(xí)方式，保持較廣的視野。而不是一頭扎進(jìn)某個(gè)深坑，管中窺豹，很久都爬不上船。

不管AI的泡沫何時(shí)被戳破，我們上船的速度都非常重要。速度決定我們未來能喝到啤酒，還是隨泡沫一起被吹散。我覺得要轉(zhuǎn)型AIPM的、零AI基礎(chǔ)的朋友們，可以先切入幾個(gè)相對容易獲取的能力維度：

1. 產(chǎn)業(yè)、場景分析能力
2. 大數(shù)據(jù)、知識(shí)圖譜能力
3. 理解機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)原理
4. 理解NLP、CV、推薦系統(tǒng)等技術(shù)
5. 理解常用算法

這也是為什么我復(fù)盤3周的學(xué)習(xí)后，先輸出一篇場景分析，再輸出本篇Demo。

這條路徑受到前輩們的啟發(fā)，很幸運(yùn)地借鑒了@李杰克的經(jīng)驗(yàn)，少走很多彎路。歡迎朋友們提問和建議，轉(zhuǎn)型路上，讓我們一起加油吧！

作者：于長弘，公眾號(hào)：AI小宇宙（ID：AI_endless）

本文由 @于長弘 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Unsplash ，基于 CC0 協(xié)議