twitter和程序員一起學習

『壹』 為什麼說開源可以提高程序員的編程技能

開源開發人員都是義務勞動者的觀點已經成為編程世界中的陳詞濫調，即使是那些偉大的開源舉措也無法駁倒這種風靡一時的心態。但是真理總是掌握在少數人手裡即使是在開源慣例中，也需要參與開源的開發人員主動為其他人貢獻他們的技能，一些企業（或企業集團）往往會因此僱用並支付這些程序員去研究特定的開源項目（如 linux Kernel）。除了開發人員確實可以從開源代碼項目中得到薪酬這個事實外，還有 6 個理由可以說服你去做更多的開源項目如果你是一個開發人員的話：

1. 學習和實踐

還有什麼能讓我們一直緊密關聯自己的工作領域？作為一個程序員，你需要不斷學習編碼的最新趨勢，你需要不斷練習以進一步磨練自己的技能。開源是助你攀登這兩座高峰的階梯。開源的確是預防我們生銹的最佳途徑。

2. 經驗和簡歷

你是一個新手開發者？那麼，從開源項目中學習，並致力於開源項目是你獲得經驗和打造有吸引力的簡歷的最佳方法，它能讓你爭取到原本不可能的就業機會。在 IT 界找工作並不容易，而且如果你沒有任何實戰經驗的話，那麼情況就更糟了。但是如果當僱主看到你的簡歷，看到你已經參與過一些開源工作，那麼可能會認為你主動積極，願意工作，有工作經驗從而增加你被僱用的機會。

3. 網路和協作

你可以與其他偉大的程序員聯網，建立項目之外的關系。這是增加 Twitter 粉絲的好辦法。開源還可以幫助你和那些志趣相投的，優質的聯系人建立網路聯系。

你和你的小夥伴還可以一起工作於以後的項目，或者創建一個交流技巧的組群。各種可能數不勝數。

4. 展現（技能，代碼等）

參與開源項目能讓你獲得大量的曝光機會無論是技能還是工作機會。通過使用以前寫的代碼，能讓你節省大量編寫開源代碼的時間。此外，在你貢獻了自己的代碼之後，其他程序員可能會緊隨你的身後去擴展這些代碼你可能會發現代碼變得更高級。這是一個開發和機遇無休止的循環，可能會大大影響你的職業生涯。

5. 社區建設

除了能讓你獲取偉大的實踐和經驗，開源還能幫助構建一個偉大的社區。因為它是開源的，所以大家可以互相學習彼此的技巧，提高自己的編碼技能。

教學相長。就像其他職業一樣，你在教授別人的過程中，在為開源項目或社區簡單地貢獻自己的專業知識的同時，也可以學到東西。

6. 更好的收入機會

現在，如果我們再回過頭談談錢，為大家揭示所謂的自由工作神話。真的能賺到錢的編程或許就是開源領域了。

為什麼？這是因為雖然開源軟體產品大多是免費提供給公司使用的，但是公司往往還是會僱用程序員（尤其是那些對此有貢獻的程序員）來提供與開源軟體相關的服務例如，安裝，支持，維護，等等。

具有諷刺意味的是：這些服務很賺錢，而且比銷售類似付費軟體所賺的錢更多反而這些付費軟體不需要這些相關服務。

現在，你知道開源的好處了吧，所以每個開發人員都應該致力於開源項目。而且開源不僅對開發人員有利，對企業而言，也是好事，因為它保證了最高的安全性和質量。

開源並不是完全免費的志願活動。相反，從長期來看，它能讓你漸漸地超越你的同齡人，它會成為一棵真正的搖錢樹。

希望可以幫到您，謝謝！

『貳』 程序員為什麼要學深度學習

費良宏：程序員為什麼要學深度學習？

深度學習本身是一個非常龐大的知識體系。本文更多想從程序員的視角出發，讓大家觀察一下深度學習對程序員意味著什麼，以及我們如何利用這樣一個高速發展的學科，來幫助程序員提升軟體開發的能力。
本文根據費良宏在2016QCon全球軟體開發大會（上海）上的演講整理而成。
前言
1973年，美國上映了一部熱門的科幻電影《WestWorld》，三年之後又有一個續集叫做《FutureWorld》。這部電影在80年代初被引進到中國叫《未來世界》。那部電影對我來講簡直可以說得上是震撼。影片中出現了很多機器人，表情豐富的面部下面都是集成電路板。這讓那時候的我覺得未來世界都是那麼遙遠、那麼神秘。
時間到了2016年，很多朋友可能都在追看HBO斥巨資拍攝的同一題材的系列劇《WestWorld》。如果前兩部電影還是局限在機器人、人工智慧這樣的話題，2016年的新劇則在劇情和人工智慧的思考方面有了很大的突破。不再渲染機器人是否會威脅到人類，而是在探討「Dreamsaremainlymemories」這一類更具哲理的問題。
「記憶究竟如何影響了智能」這個話題非常值得我們去思考，也給我們一個很好的啟示——今天，人工智慧領域究竟有了怎樣的發展和進步。
今天我們探討的話題不僅僅是簡單的人工智慧。如果大家對深度學習感興趣，我相信各位一定會在搜索引擎上搜索過類似相關的關鍵字。我在Google上以deeplearning作為關鍵字得到了2,630萬個搜索的結果。這個數字比一周之前足足多出了300多萬的結果。這個數字足以看得出來深度學習相關的內容發展的速度，人們對深度學習的關注也越來越高。

從另外的一個角度，我想讓大家看看深度學習在市場上究竟有多麼熱門。從2011年到現在一共有140多家專注人工智慧、深度學習相關的創業公司被收購。僅僅在2016年這種並購就發生了40多起。
其中最瘋狂的是就是Google，已經收購了 11 家人工智慧創業公司，其中最有名的就是擊敗了李世石九段的 DeepMind。排名之後的就要數 Apple、Intel以及Twitter。以Intel 公司為例，僅在今年就已經收購了 3 家創業公司，Itseez、Nervana 和 Movidius。這一系列大手筆的並購為了布局人工智慧以及深度學習的領域。
當我們去搜索深度學習話題的時候，經常會看到這樣的一些晦澀難懂的術語：Gradient descent（梯度下降演算法）、Backpropagation（反向傳播演算法）、Convolutional Neural Network（卷積神經網路）、受限玻耳茲曼機（Restricted Boltzmann Machine）等。
如打開任何一篇技術文章，你看到的通篇都是各種數學公式。大家看到如下左邊的圖，其實並不是一篇高水準的學術論文，而僅僅是維基網路關於玻耳茲曼機的介紹。維基網路是科普層面的內容，內容復雜程度就超過了大多數數學知識的能力。

在這樣的背景之下，我今天的的話題可以歸納成三點：第一，我們為什麼要學習深度學習；第二，深度學習最核心的關鍵概念就是神經網路，那麼究竟什麼是神經網路；第三，作為程序員，當我們想要成為深度學習開發者的時候，我們需要具備怎樣的工具箱，以及從哪裡著手進行開發。
為什麼要學習深度學習
首先，我們談談為什麼要學習深度學習。在這個市場當中，最不缺乏的就是各種概念以及各種時髦新技術的詞彙。深度學習有什麼不一樣的地方？我非常喜歡AndrewNg（吳恩達）曾經用過的一個比喻。
他把深度學習比喻成一個火箭。這個火箭有一個最重要的部分，就是它的引擎，目前來看在這個領域裡面，引擎的核心就是神經網路。大家都知道，火箭除了引擎之外還需要有燃料，那麼大數據其實就構成了整個火箭另外的重要組成部分——燃料。以往我們談到大數據的時候，更多是強調存儲和管理數據的能力，但是這些方法和工具更多是對於以往歷史數據的統計、匯總。
而對於今後未知的東西，這些傳統的方法並不能夠幫助我們可以從大數據中得出預測的結論。如果考慮到神經網路和大數據結合，我們才可能看清楚大數據真正的價值和意義。AndrewNg就曾經說過「我們相信（神經網路代表的深度學習）是讓我們獲得最接近於人工智慧的捷徑」。這就是我們要學習深度學習的一個最重要的原因。

其次，隨著我們進行數據處理以及運算能力的不斷提升，深度學習所代表的人工智慧技術和傳統意義上人工智慧技術比較起來，在性能上有了突飛猛進的發展。這主要得益於在過去幾十間計算機和相關產業不斷發展帶來的成果。在人工智慧的領域，性能是我們選擇深度學習另一個重要的原因。

這是一段Nvidia在今年公布的關於深度學習在無人駕駛領域應用的視頻。我們可以看到，將深度學習應用在自動駕駛方面，僅僅經歷了3千英里的訓練，就可以達到什麼樣的程度。在今年年初進行的實驗上，這個系統還不具備真正智能能力，經常會出現各種各樣的讓人提心吊膽的狀況，甚至在某些情況下還需要人工干預。
但經過了3千英里的訓練之後，我們看到在山路、公路、泥地等各種復雜的路況下面，無人駕駛已經有了一個非常驚人的表現。請大家注意，這個深度學習的模型只經過了短短幾個月、3千英里的訓練。
如果我們不斷完善這種模型的話，這種處理能力將會變得何等的強大。這個場景裡面最重要的技術無疑就是深度學習。我們可以得出一個結論：深度學習可以為我們提供強大的能力，如果程序員擁有了這個技術的話，無異於會讓每個程序員如虎添翼。
神經網路快速入門
如果我們對於學習深度學習沒有任何疑慮的話，接下來就一定會關心我需要掌握什麼樣的知識才能讓我進入到這個領域。這裡面最重要的關鍵技術就是「神經網路」。說起「神經網路」，容易混淆是這樣兩個完全不同的概念。
一個是生物學神經網路，第二個才是我們今天要談起的人工智慧神經網路。可能在座的各位有朋友在從事人工智慧方面的工作。當你向他請教神經網路的時候，他會拋出許多陌生的概念和術語讓你聽起來雲里霧里，而你只能望而卻步了。
對於人工智慧神經網路這個概念，大多數的程序員都會覺得距離自己有很大的距離。因為很難有人願意花時間跟你分享神經網路的本質究竟是什麼。而你從書本上讀的到的理論和概念，也很讓你找到一個清晰、簡單的結論。
今天就我們來看一看，從程序員角度出發神經網路究竟是什麼。我第一次知道神經網路這個概念是通過一部電影——1991年上映的《終結者2》。男主角施瓦辛格有一句台詞：
「MyCPUisaneural-netprocessor;alearningcomputer.」（我的處理器是一個神經處理單元，它是一台可以學習的計算機)。從歷史來看人類對自身智力的探索，遠遠早於對於神經網路的研究。
1852年，義大利學者因為一個偶然的失誤，將人類的頭顱掉到硝酸鹽溶液中，從而獲得第一次通過肉眼關注神經網路的機會。這個意外加速了對人類智力奧秘的探索，開啟了人工智慧、神經元這樣概念的發展。
生物神經網路這個概念的發展，和今天我們談的神經網路有什麼關系嗎？我們今天談到的神經網路，除了在部分名詞上借鑒了生物學神經網路之外，跟生物學神經網路已經沒有任何關系，它已經完全是數學和計算機領域的概念，這也是人工智慧發展成熟的標志。這點大家要區分開，不要把生物神經網路跟我們今天談到的人工智慧有任何的混淆。

90年代中期，由Vapnik等人提出了支持向量機演算法（Support Vector Machines，支持向量機）。很快這個演算法就在很多方面體現出了對比神經網路的巨大優勢，例如：無需調參、高效率、全局最優解等。基於這些理由，SVM演算法迅速打敗了神經網路演算法成為那個時期的主流。而神經網路的研究則再次陷入了冰河期。
在被人摒棄的十年裡面，有幾個學者仍然在堅持研究。其中很重要的一個人就是加拿大多倫多大學的Geoffery Hinton教授。2006年，他的在著名的《Science》雜志上發表了論文，首次提出了「深度信念網路」的概念。
與傳統的訓練方式不同，「深度信念網路」有一個「預訓練」（pre-training）的過程，這可以方便的讓神經網路中的權值找到一個接近最優解的值，之後再使用「微調」(fine-tuning)技術來對整個網路進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網路的時間。在他的論文裡面，他給多層神經網路相關的學習方法賦予了一個新名詞— 「深度學習」。
很快，深度學習在語音識別領域嶄露頭角。接著在2012年，深度學習技術又在圖像識別領域大展拳腳。Hinton與他的學生在ImageNet競賽中，用多層的卷積神經網路成功地對包含一千個類別的一百萬張圖片進行了訓練，取得了分類錯誤率15%的好成績，這個成績比第二名高了將近11個百分點。
這個結果充分證明了多層神經網路識別效果的優越性。從那時起，深度學習就開啟了新的一段黃金時期。我們看到今天深度學習和神經網路的火熱發展，就是從那個時候開始引爆的。

利用神經網路構建分類器，這個神經網路的結構是怎樣的？

其實這個結構非常簡單，我們看到這個圖就是簡單神經網路的示意圖。神經網路本質上就是一種「有向圖」。圖上的每個節點借用了生物學的術語就有了一個新的名詞 – 「神經元」。連接神經元的具有指向性的連線（有向弧）則被看作是「神經」。這這個圖上神經元並不是最重要的，最重要的是連接神經元的神經。每個神經部分有指向性，每一個神經元會指向下一層的節點。
節點是分層的，每個節點指向上一層節點。同層節點沒有連接，並且不能越過上一層節點。每個弧上有一個值，我們通常稱之為」權重「。通過權重就可以有一個公式計算出它們所指的節點的值。這個權重值是多少？我們是通過訓練得出結果。它們的初始賦值往往通過隨機數開始，然後訓練得到的最逼近真實值的結果作為模型，並可以被反復使用。這個結果就是我們說的訓練過的分類器。
節點分成輸入節點和輸出節點，中間稱為隱層。簡單來說，我們有數據輸入項，中間不同的多個層次的神經網路層次，就是我們說的隱層。之所以在這樣稱呼，因為對我們來講這些層次是不可見的。輸出結果也被稱作輸出節點，輸出節點是有限的數量，輸入節點也是有限數量，隱層是我們可以設計的模型部分，這就是最簡單的神經網路概念。
如果簡單做一個簡單的類比，我想用四層神經網路做一個解釋。左邊是輸入節點，我們看到有若干輸入項，這可能代表不同蘋果的RGB值、味道或者其它輸入進來的數據項。中間隱層就是我們設計出來的神經網路，這個網路現在有不同的層次，層次之間權重是我們不斷訓練獲得一個結果。
最後輸出的結果，保存在輸出節點裡面，每一次像一個流向一樣，神經是有一個指向的，通過不同層進行不同的計算。在隱層當中，每一個節點輸入的結果計算之後作為下一層的輸入項，最終結果會保存在輸出節點上，輸出值最接近我們的分類，得到某一個值，就被分成某一類。這就是使用神經網路的簡單概述。

除了從左到右的形式表達的結構圖，還有一種常見的表達形式是從下到上來表示一個神經網路。這時候，輸入層在圖的最下方，輸出層則在圖的最上方。從左到右的表達形式以AndrewNg和LeCun的文獻使用較多。而在Caffe框架里則使用的則是從下到上的表達。
簡單來說，神經網路並不神秘，它就是有像圖，利用圖的處理能力幫助我們對特徵的提取和學習的過程。2006年Hinton的那篇著名的論文中，將深度學習總結成三個最重要的要素：計算、數據、模型。有了這三點，就可以實現一個深度學習的系統。
程序員需要的工具箱
對於程序員來說，掌握理論知識是為了更好的編程實踐。那就讓我們看看，對於程序員來說，著手深度學習的實踐需要准備什麼樣的工具。
硬體
從硬體來講，我們可能需要的計算能力，首先想到的就是CPU。除了通常的CPU架構以外，還出現了附加有乘法器的CPU，用以提升計算能力。此外在不同領域會有DSP的應用場景，比如手寫體識別、語音識別、等使用的專用的信號處理器。還有一類就是GPU，這是一個目前深度學習應用比較熱門的領域。最後一類就是FPGA（可編程邏輯門陣列）。
這四種方法各有其優缺點，每種產品會有很大的差異。相比較而言CPU雖然運算能力弱一些，但是擅長管理和調度，比如讀取數據，管理文件，人機交互等，工具也豐富。DSP相比而言管理能力較弱，但是強化了特定的運算能力。
這兩者都是靠高主頻來解決運算量的問題，適合有大量遞歸操作以及不便拆分的演算法。GPU的管理能力更弱一些，但是運算能力更強。但由於計算單元數量多，更適合整塊數據進行流處理的演算法。
FPGA在管理與運算處理方面都很強，但是開發周期長，復雜演算法開發難度較大。就實時性來說，FPGA是最高的。單從目前的發展來看，對於普通程序員來說，現實中普遍採用的計算資源就還是是CPU以及GPU的模式，其中GPU是最熱門的領域。

這是我前天為這次分享而准備的一個AWS 上p2的實例。僅僅通過幾條命令就完成了實例的更新、驅動的安裝和環境的設置，總共的資源創建、設置時間大概在10分鍾以內。而之前，我安裝調試前面提到的那台計算機，足足花了我兩天時間。

另外，從成本上還可以做一個對比。p2.8xLarge 實例每小時的費用是7.2美元。而我自己那台計算機總共的花費了是¥16,904元。這個成本足夠讓我使用350多個小時的p2.8xLarge。在一年裡使用AWS深度學習站就可以抵消掉我所有的付出。隨著技術的不斷的升級換代，我可以不斷的升級我的實例，從而可以用有限的成本獲得更大、更多的處理資源。這其實也是雲計算的價值所在。
雲計算和深度學習究竟有什麼關系？今年的8月8號，在IDG網站上發表了一篇文章談到了這個話題。文章中做了這樣一個預言：如果深度學習的並行能力不斷提高，雲計算所提供的處理能力也不斷發展，兩者結合可能會產生新一代的深度學習，將帶來更大影響和沖擊。這是需要大家考慮和重視的一個方向！
軟體
深度學習除了硬體的基礎環境之外。程序員會更關心與開發相關的軟體資源。這里我羅列了一些曾經使用過的軟體框架和工具。

Scikit-learn是最為流行的一個python機器學習庫。它具有如下吸引人的特點：簡單、高效且異常豐富的數據挖掘/數據分析演算法實現； 基於NumPy、SciPy以及matplotlib，從數據探索性分析，數據可視化到演算法實現，整個過程一體化實現；開源，有非常豐富的學習文檔。
Caffe專注在卷及神經網路以及圖像處理。不過Caffe已經很久沒有更新過了。這個框架的一個主要的開發者賈揚清也在今年跳槽去了Google。也許曾經的霸主地位要讓位給他人了。
Theano 是一個非常靈活的Python 機器學習的庫。在研究領域非常流行，使用上非常方便易於定義復雜的模型。Tensorflow 的API 非常類似於Theano。我在今年北京的QCon 大會上也分享過關於Theano 的話題。
Jupyter notebook 是一個很強大的基於ipython的python代碼編輯器，部署在網頁上，可以非常方便的進行互動式的處理，很適合進行演算法研究合數據處理。
Torch 是一個非常出色的機器學習的庫。它是由一個比較小眾的lua語言實現的。但是因為LuaJIT 的使用，程序的效率非常出色。Facebook在人工智慧領域主打Torch，甚至現在推出了自己的升級版框架Torchnet。
深度學習的框架非常之多，是不是有一種亂花漸欲迷人眼的感覺？我今天向各位程序員重點介紹的是將是TensorFlow。這是2015年穀歌推出的開源的面向機器學習的開發框架，這也是Google第二代的深度學習的框架。很多公司都使用了TensorFlow開發了很多有意思的應用，效果很好。
用TensorFlow可以做什麼？答案是它可以應用於回歸模型、神經網路以深度學習這幾個領域。在深度學習方面它集成了分布式表示、卷積神經網路(CNN)、遞歸神經網路(RNN) 以及長短期記憶人工神經網路（Long-Short Term Memory, LSTM）。
關於Tensorflow 首先要理解的概念就是Tensor。在辭典中對於這個詞的定義是張量，是一個可用來表示在一些向量、標量和其他張量之間的線性關系的多線性函數。實際上這個表述很難理解，用我自己的語言解釋Tensor 就是「N維數組」而已。

使用 TensorFlow, 作為程序員必須明白 TensorFlow這樣幾個基礎概念：它使用圖 (Graph) 來表示計算任務；在被稱之為 會話 (Session) 的上下文 (context) 中執行圖；使用 Tensor 表示數據；通過 變數 (Variable) 維護狀態；使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據。
一句話總結就是，TensorFlow 就是有狀態圖的數據流圖計算環境，每個節點就是在做數據操作，然後提供依賴性和指向性，提供完整數據流。
TensorFlow安裝非常簡單，但官網提供下載的安裝包所支持的CUDA 的版本是7.5。考慮到CUDA 8 的讓人心動的新特以及不久就要正式發布的現狀。或許你想會考慮立即體驗CUDA 8，那麼就只能通過編譯Tensorflow源代碼而獲得。目前TensorFlow已經支持了Python2.7、3.3+。
此外，對於使用Python 語言的程序員還需要安裝所需要的一些庫，例如：numpy、protobuf等等。對於卷積處理而言，cuDNN是公認的性能最好的開發庫，請一定要安裝上。常規的Tensorsorflow的安裝很簡單，一條命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想評估一下或者簡單學習一下，還可以通過Docker進行安裝，安裝的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多優點。首先，目前為止，深度學習的開發框架裡面TensorFlow的文檔做的最好，對程序員學習而言是非常好的一點。第二，TensorFlow有豐富的參考實例，作為參考學習起來非常容易。
第三，開發者社區活躍，在任何一個深度學習的社區里，都有大量關於TensorFlow的討論。第四，谷歌的支持力度非常大，從2015年到現在升級速度非常快，這是其他開源框架遠遠達不到的結果。
參考TensorFlow的白皮書，我們會看到未來TensorFlow還將會有巨大的發展潛力。讓我特別感興趣是這兩個方向。第一，支持跨多台機器的 parallelisation。盡管在0.8版本中推出了並行化的能力，但是目前還不完善。隨著未來不斷發展，依託雲計算的處理能力的提升這個特性將是非常讓人振奮的。
第二，支持更多的開發語言，對於開發者來說這是一個絕大的利好，通過使用自己擅長的語言使用TensorFlow應用。這些開發語言將會擴展到java、Lua以及R 等。
在這里我想給大家展示一個應用Tensorflow 的例子。這個例子的代碼託管在這個網址上 https://github.com/anishathalye/neural-style。白俄羅斯的現代印象派藝術家Leonid Afremov善於用濃墨重彩來表現都市和風景題材，尤其是其雨景系列作品。他習慣用大色塊的鋪陳來營造光影效果，對反光物體和環境色的把握非常精準。
於是我就找到了一張上海東方明珠電視塔的一張攝影作品，我希望通過Tensorflow 去學習一下Leonid Afremov 的繪畫風格，並將這張東方明珠的照片處理成那種光影色彩豐富的作品風格。利用Tensorflow 以及上面提到的那個項目的代碼，在一個AWS 的p2類型的實例上進行了一個一千次的迭代，於是就得到了下圖這樣的處理結果。

這個處理的代碼只有350行里，模型使用了一個成名於2014年ImageNet比賽中的明星 VGG。這個模型非常好，特點就是「go depper」。
TensorFlow 做出這樣的作品，並不僅僅作為娛樂供大家一笑，還可以做更多有意思的事情。將剛才的處理能力推廣到視頻當中，就可以看到下圖這樣的效果，用梵高著名的作品」星月夜「的風格就加工成了這樣新的視頻風格。

可以想像一下，如果這種處理能力在更多領域得以應用，它會產生什麼樣的神奇結果？前景是美好的，讓我們有無限遐想。事實上我們目前所從事的很多領域的應用開發都可以通過使用神經網路和深度學習來加以改變。對於深度學習而言，掌握它並不是難事。每一個程序員都可以很容易的掌握這種技術，利用所具備的資源，讓我們很快成為深度學習的程序開發人員。
結束語
未來究竟是什麼樣，我們沒有辦法預言。有位作家Ray Kurzweil在2005年寫了《奇點臨近》一書。在這本書裡面他明確告訴我們，那個時代很快到來。作為那個時代曙光前的人群，我們是不是有能力加速這個過程，利用我們學習的能力實現這個夢想呢？

中國人工智慧的發展
人工智慧的時代無疑已經到來，這個時代需要的當然就是掌握了人工智慧並將其解決具體問題的工程師。坦率的說，市場上這一類的工程師還屬於鳳毛麟角。職場上的薪酬待遇可以看得出來這樣的工程師的搶手的程度。人工智慧這門學科發展到今天，就學術自身而言已經具備了大規模產業化的能力。
所以說，對於工程師而言當務之急就是盡快的掌握應用人工智慧的應用技術。當下在互聯網上關於人工智慧的學習資料可以說已經是「汗牛充棟」，那些具備了快速學習能力的工程師一定會在人工智慧的大潮當中脫穎而出。
中國發展人工智慧產業的環境已經具備。無論從創業環境、人員的素質乃至市場的機遇而言完全具備了產生產業變革的一切條件。與美國相比較，在人工智慧的許多領域中國團隊的表現也可以說是不逞多讓。就人工智慧的技術層面而言，中國的工程師與全球最好的技術團隊正處於同一個起跑線上。
時不我待，中國的工程師是有機會在這個領域大展身手的。不過值得注意的是，要切忌兩點：一是好高騖遠，盲目與國外攀比。畢竟積累有長短，術業有專攻，我們要立足於已有的積累，尋求逐步的突破。二是一擁而上，盲目追求市場的風口。人工智慧的工程化需要大量的基礎性的積累，並非一蹴而就簡單復制就可以成功。
中國的科研技術人員在人工智慧領域的成就有目共睹。在王詠剛的一篇文章裡面，他統計了從2013年到2015年SCI收錄的「深度學習」論文，中國在2014年和2015年超已經超過了美國居於領跑者的位置。
另外一讓我感到驚訝的事情，Google的JeffDean在2016年發表過一篇名為《TensorFlow:Asystemforlarge-scalemachinelearning》的論文。文章的22個作者裡面，明顯是中國名字的作者占已經到了1/5。如果要列舉中國人/華人在人工智慧領域里的大牛，吳恩達、孫劍、楊強、黃廣斌、馬毅、張大鵬……很容易就可以說出一大串。
對於中國來說目前的當務之急是人工智慧技術的產業化，唯有如此我們才可以講科研／智力領域的優勢轉化為整體的、全面的優勢。在這一點上，中國是全球最大的消費市場以及製造業強國，我們完全有機會藉助市場的優勢成為這個領域的領先者。
矽谷創新企業
矽谷雖然去過許多回，但一直無緣在那裡長期工作。在人工智慧領域的市場我們聽到的更多是圍繞Google、Apple、Intel、Amazon這樣的一些大型科技公司的一舉一動。但是在美國市場上還有一大批小型的創業企業在人工智慧這個領域有驚艷的表現。僅以矽谷區域的公司為例：
Captricity，提供了手寫數據的信息提取；
VIVLab，針對語音識別開發了虛擬助手服務；
TERADEEP，利用FPGA提供了高效的卷積神經網路的方案；
還有提供無人駕駛解決方案的NetraDyne。
這個名單還可以很長，還有許許多多正在利用人工智慧技術試圖去創造歷史的團隊正在打造他們的夢想。這些團隊以及他們正在專注的領域是值得我們去學習和體會的。

『叄』 程序員入門：如何自學編程

1、選定方向

編程的世界是多元紛繁的，大的方向就分前端開發、後端開發、移動開發、雲計算、數據處理、智能硬體、物聯網、虛擬現實等等，光編程語言都幾十種。如果沒有做過功課，貿然進入只會分分鍾懵逼。所以最好是根據自己的興趣愛好再結合市場前景，先選定一個方向，再選擇一門語言，然後頭也不回的深深扎進去。

2、優化學習方式

做好筆記，記錄經驗，我們大多數人並沒有過目不忘的神技，很多時候我們學了也不一定馬上掌握，需要過後花時間慢慢領悟，而且還有忘掉的風險，所以對於重要的知識點都要做好筆記。

3、多看官方文檔，外文資料
互聯網是一個更新迭代很快的行業，所有編程語言都會不斷的更新新功能和修復舊Bug，網上查的資料很有可能是舊的解決方案，現在已經不適用了。所以最好最快的方法就是查看官方文檔。

4、動手做項目
我們學習編程的最終目的就是用所學的做出具有一定功能的項目，而做項目又是最好的學習和鞏固知識的方式。如果前期能力不足就先做一些簡單的功能模塊，一步一步慢慢來，不要一開始就要實現各種酷炫炸天功能，遇到不會的就在網上查， 現在互聯網這么發達，獲取資源也及其方便。

『肆』 大家知道java程序員學習路線嗎

隨著計算機技術的不斷發展，Java開發人才也越來越受重視，很多企業都開出了豐厚的薪資待遇來吸引Java開發人才。這也使得很多人想通過Java培訓來學習Java技術並轉行Java開發。

Java培訓內容有哪些?

優就業Java培訓課程內容緊跟時代發展，不斷迭代更新，涵蓋應用時下熱門技術框架，高度契合企業需求。在專業技術學習的同時，融入大量全真項目實訓，從需求分析到項目研發再到項目測試，學員可參與每個流程、細節，幫助學員學會、學懂、學透。優就業Java課程內容主要包含五個階段，分別為：

第一階段JavaEE基礎：Java基礎語法、面向對象、核心類庫、集合、異常、IO、線程、JDK新特性

第二階段JavaWeb開發：前端技術、資料庫、JAVA資料庫操作、軟體伺服器及伺服器相關技術、動態網頁JSP、AJAX、優就業-在線醫療系統

第三階段Java高級框架：SpringMVC、MyBatis、Spring、MySQL高級、Linux&Redis&Nginx、Maven、中公MIS許可權系統

第四階段大型微服務分布式項目實戰：SpringBoot、SpringCloud、Git、Dubbo、Zookeeper、AngularJS、Spring Security、BCrypt加密、FastDFS、分布式事務處理、Redis Cluster、Solr、SolrCloud、Freemarker、JMS、簡訊發送平台、SSO解決方案、CORS、Twitter的Snowflake、SpringTask、Maven Profile、MongoDB簡介、MyCat、Docker、Jenkins、東易買大型電商實戰、東易眾籌

第五階段微服務大型項目實戰：優學在線教育系統。

Java培訓學習路線是如何規劃的?

優就業Java培訓學習路線是先從JavaEE基礎知識學起培養面向對象的編程思想，然後學習JavaWeb、SSM高級框架、SpringBoot、微服務分布式技術等，幫助學員

點擊這里領取我們線上學習免費課程。更多Java培訓相關問題，可以持續關注浙江優就業官方網站以及浙江優就業公眾號具體了解哦。如果大家有時間的話，最好是能到我們線下基地進行實地考察。

『伍』 想不想了解「Twitter：外企這座城」

很多公司的招聘信息上會寫這樣一句話「我們採用外企管理模式」…

問新來的實習生小妹妹，你覺得W公司（國內某互聯網巨頭）對你有吸引力么？得到的答案是，我們只對外企更感興趣。

港劇里的格子間，充斥了我們童年假期的午後，在還背不下幾個單詞的時候，外企的打字員比教師、科學家更有吸引力。

外企究竟是一個什麼樣的地方？活力、自由、福利好、青春+…這些是真的外企，還只是你想看到的外企？

為了全方面為大家展現外企的點滴，脈脈邀請了Twitter的資深研發工程師，為大家介紹，外企這座「圍城」中的人，是如何看待這座城的。
還有就是簽證的問題，中國人如果沒有綠卡的話赴美工作需要工作簽證，比如說h1b, O1, L1，這三種簽證都需要你先有一個僱主，你不能像旅遊簽證那樣自己辦辦就行了。

h1b相對來說最普遍，門檻最低,但是也有致命的問題，就是需要抽簽。抽簽帶來兩個問題，一個是現在中簽的概率大概一半左右（如果沒有美國的碩士以上學位，這個概率更低，因為美國碩士可以提前多抽一次），第二是需要時間，4月初抽簽，大概五六月份能知道結果，可你要等到了10月份才能工作，你的僱主未必等的起。

所以在美剛畢業的留學生們一般都用OPT身份過度以下，OPT可以允許你暫時工作一到三年（看專業），這樣你可以多次的抽簽機會。

那國內想出國的大拿們就沒機會了嗎？當然不是，我們Twitter就基本每年都會從國內直接招人，給辦h1b。

還有不少公司專門往出送人，但是出去一般都是比較血汗的咨詢外包公司，很苦，而且這些基本也都是h1b，你抽簽能不能中，就看你人品了。

當然也可以選擇出來讀書，碩士一般兩年左右，學費生活費加起來10萬美金左右吧，剩點閑錢還能全家全美玩一玩，要全職碩士才可以opt哦。

有追求的也可以和我一樣讀博士，要好多年，但是不要學費，每個月還能給你發點生活費，可以在學校某個角落有個小辦公室，享受幾年愜意的美國校園生活。

不想讀書的，也還有一招，很多時候作為配偶也可以工作比說h4和j2,所以娶個學霸老婆讓她出來讀博士用J簽證，你J2也能工作(這個具體我沒研究過，要是不行，你別砍我)，當然還有各種別的辦法，你可以自己研究，中介的話不能全信，大家有問題歡迎到脈脈來問我，雖然我說的也未必都對，多少能給你個參考。

（細節的福利和技術，我受保密條款的約束，不方便細說，大家見諒）

就寫到這里吧，對於一個互聯網公司來說，Twitter和我都不算年輕了，看著公司的那隻藍胖小鳥，我們出走半生，歸來仍是少年。

北南
2017年夏寫於加州聖布魯諾


我們和矽谷的人享受同一片陽光，我們和紐約的人共享同一個家園，我們和倫敦的人同呼吸這世界的空氣，不論國企、外企、還有私企，企業衡量員工的標准看能力，而不是一句「Amy，help我send個E-mail。」

『陸』 程序員入門:如何自學編程_自學程序員怎麼入門

首要之首：不要急於選擇一種語言新手們有一個常見的錯誤就是猶豫於判斷哪明睜種編程語言是做好的、最該先學的

我們有很多的選擇，但你不能說那種語言「最好」

我們應該理解：說到底，什麼語言並不重要

重要的是理解數據結構、控制邏輯和設計模式

任何一種語言—甚至一種簡單的腳本語言—都會具有所有編程語言都共有的各種特徵，也就是說各種語言是貫通的

我正在攻讀我的計算機學學位，我編程使用Pascal，匯編，和C語言，事實上我從來沒有把它當成職業以求獲得回報

我一直在自學編程，工作上用不到它，我使用現有的知識，參考各種文檔和書本，學習它們的用法

因此，不要急於選擇何種編程語言

找出你想要開發的東西，使用一種能夠完成這項任務的語言，這就可以了

根據各種開發平台的不同，有很多不同的軟體開發形式可供你選擇：從網站應用到桌面軟體到智能手機軟體到命令行腳本工具

這篇文章里，我將重點介紹一些很受歡迎的入門教程和資源，它們能幫助你學會如何在各種主流的平台上編程開發

我先假設你是一個悟性很強的讀者，但對於新手，當我談論程序代碼時還是要按照入門級的水平

因為即使是你自己看一篇編程入門手冊，如果發現都能理解時，心情自然會很高興，這樣利於你進一步學習

桌面腳本想要動手在Windows里或蘋果系統里編程，最簡單的方法是從一種腳本語言或宏語言開始，例如AutoHotkey(Windows)或Automator(蘋果系統)

如今一些硬體程序員沖著他們的屏幕大喊大叫，說AHK和AppleScript並不是「真正」的編程語言

也許他們說的是對的—技術上，這些種類的語言只能做一些上層的編程

但是對於那些只是想來脫盲、想在他們的電腦里實現一些能自動運行的程序的新手來說，這些語言會是一個絕妙的入門入口—而且你會吃驚於它們豐富的功能

例如，大家都喜愛的Texter就是Adam使用AutoHotkey開發的能獨立運行的Windows應用程序，所以說這種腳本語言遠不是只能開發小規模腳本軟體

如果你想從AutoHotkey入手，可以參考Adam的指導：（然後，你可以下基亂載Texter源代碼看看這個功能齊全的使用AHK開發的Windows應用程序的內部結構)

Web開發HTML和CSS：開發網站，你第一件要知道的事情就是HTML(網頁就是由它組成的)和CSS(一種讓外觀更好看的樣式標記)

HTML和CSS並不是編程語言—它們只是頁面的結構和樣式信息

然而，在開始開發web應用程序之前你必須要學會如何手工的編寫簡單的HTML和CSS，web頁面是任何webapp的前端顯示部分

這個HTML指導是你入手的好地方

JavaScript:當你可以通過HTML和CSS構建一個靜態頁面後，事情就開始變得有趣了—因為到了該學JavaScript的時候了

JavaScript是一種web瀏覽器上的編程語言，它的魔力就是能在頁面里製造一些動態效果

JavaScript可以做,腳本,和Ajax,所以它是web上各種好東西的關於因素

學習JavaScript從這里開

伺服器端腳本：一旦你學會了網頁里的知識，你就要開始對它添加一些動態伺服器操作—為了實現這些，你需要把目光轉移到伺服器端腳本語言，例如PHP,Python,Perl,或Ruby

舉個例子，如果想要製作一個網頁形式的聯系方式表單，根據用戶的輸入發送郵件，你就需要使用伺服器端腳本來實現

像PHP這樣的腳本語言可以讓你跟web伺服器上的資料庫進行溝通，所以如果你想搭建一個用戶可以登錄注冊的網站，這樣的語言正是你需要的

Webmonkey是一個優秀的web開發資源網站，裡面有大量的各種web編程語言的指導手冊

閱讀一下他們的PHP初學者指南

當你感覺差不多了的時候，看看WebMonkey』sPHPandMySQLtutorial學習如何使用PHP跟資料庫交互

網上最好的要數PHP語言官方的在線文檔和函數參考了

每個知識點上(例如strlenfunction這個)都在後面列出來用戶的評論注釋，這些對於文檔的本身是非常有價值的

（我很喜歡PHP，但還有很多其他種伺服器端的腳本語言你們都可以選擇

)Web框架：過去數搏槐檔年裡，web開發人員在開發動態網站的過程中不得不一遍又一遍的針對重復遇到的問題寫出重復的代碼

為了避免這種每次開發一些新網站都會重復勞動一次的問題，一些程序員動手搭建了一些框架，讓框架替我們完成重復性的工作

非常流行的RubyonRails框架，作為一個例子，它利用Ruby編程語言，為我們提供了一個專門面向web的架構，普通的web應用程序都能使用它來完成

事實上，Adam使用Rails開發了他的第一個正式的（而且是嘆為觀止的！）web應用程序，MixTape

me

這就是他的如何在沒有任何經驗的情況下搭建一個網站

還有一些其他的web開發框架包括CakePHP(針對PHP編程者),Django(針對Python編程中),以及jQuery(針對JavaScript)

WebAPIs:API(應用層序編程介面)是指不同的軟體之間相互交換的程序途徑

例如，如果你想在你的網站上放一個動態的地圖，你可以使用GoogleMap，而不需要開發自己的地圖

TheGoogleMapsAPI可以輕松的讓你通過JavaScript在程序中引入一個地圖到你的頁面上

幾乎所有的現代的你所知道的和喜愛的web服務都提供了API，通過這些API你可以獲取到他們的數據和小工具，在你的應用程序里就可以使用這些交互過來的東西了，例如Twitter,Facebook,GoogleDocs,GoogleMaps,這個列表遠不止這些

通過API把其他web應用集成到你的web應用里是現在富web開發的前沿地帶

每個優秀的主流的web服務API都附帶有完整的文檔和一些快速入手的指導(例如，這個就是Twitter的)

瘋狂吧

命令行腳本如果你想開發一個程序，讓它讀取文字或文件、輸入輸出一些有用的東西，那麼，命令行腳本語言將是個不錯的選擇

然而它並不像web應用程序和桌面應用程序那樣有吸引力和好看的外觀，但是作為快速開發的腳本語言，你卻不能忽視它們

很多的在linux平台上運行的web腳本同樣能以命令行模式運行，例如Perl，Python和PHP，所以如果你學會了使用它們，你將能在兩種環境中使用它們

我的學習道路一直沒離開Perl太遠，我自學Python使用的是這本優秀的在線免費書DiveintoPython

如果成為一個Unix高手也是你學習的目標，那麼你絕對要精通bash這個腳本語言

Bash是Unix和Linux環境下的一種命令行腳本語言，它能夠為你做所以的事情：從自動備份資料庫腳本到功能齊全的用戶交互程序

起初我沒有任何使用bash腳本的經驗，但最終我用bash開發了一個全功能的個人代辦任務管理器：Todo

txtCLI

插件（Add-ons）如今的web應用程序和瀏覽器都可以通過一些擴展軟體來豐富自己的功能

由於一些現有的軟體，例如Firefox、WordPress越來越受到開發人員的關注，插件的開發也日益流行，人們都在說「ButifonlyitcoulddoTHIS」只要你掌握了HTML，JavaScript和CSS，你就可以在任何的瀏覽器里開發你想要的很多東西

,scripts,和Stylishuserstyles這些軟體都是用的更普通頁面一樣的語言寫成的,這幾個東西都值得你去研究一些

更高級的瀏覽器擴展程序，例如Firefox的擴展，它們可以幫助你很多

開發Firefox的擴展，舉個例子，需要你精通JavaScript和XML（一種標記語言，類似HTML，但具有更嚴格的格式）

早在2007年我就寫下來howtobuildaFirefoxextension,這是我在笨手笨腳的研究網上的一些學習資料後獲得的成果

很多免費的、受歡迎的web應用程序都提供了擴展框架，例如WordPress和MediaWiki

這些應用程序都是用PHP寫成的，所以只有對PHP熟悉你才能做這些事情

這個就是如何編寫WordPress插件

而想駕馭GoogleWave前沿技術的開發人員可以從使用HTML,JavaScript,Java,和Python寫小組件和小工具開始

我寫的第一個Wavebot是跟著這個一個下午時間的快速入門指導開始的

開發桌面上的Web應用程序學習編程最好的結果是你在一個環境下學的東西可以應用到另外的環境中

先學習開發web應用程序的好處就是我們有一些方法可以讓web應用程序直接在桌面上運行

例如，AdobeAIR是一個跨平台的即時運行平台，它能讓你編寫的程序運行在任何裝有AIR的操作系統的桌面上

AIR應用程序都是由HTML,Flash,或Flex寫成的，所以它能讓你的web程序在桌面環境中運行

AIR是開發部署桌面應用程序的一個優秀的選擇，就像我們提到過的10個讓你值得去安裝AIR的應用程序

移動應用開發能在iPhone或者Android智能手機上運行的手機應用程序的開發如今正呈現井噴之勢，所以你也可以夢想一下如何在iTunes應用商店裡通過你的天才程序大賺一筆

但是，作為一個編碼新手，直接奔向移動開發所經歷的學習曲線可能會很陡，因為它需要你熟悉高級的編程語言，例如Java和ObjectiveC

然而，你當然應該看看iPhone和Android編程究竟是什麼樣子的

閱讀這個簡單的iPhone應用開發例子可以初步認識一下iPhone程序的開發過程

Android程序都是由Java寫成的，這有一個簡單的視頻教程教你如何開發第一個」HelloAndroid「程序（註：可能需要代理才能看這個視頻）

耐心，刻苦，嘗試，失敗好的程序員都有一個不達目的誓不罷休的品質，他們會驚喜於通過長期推敲和失敗換來的一點成績

學會編程會有很好的回報的，但是學習的過程可能會是飽受挫折和孤獨的

如果有可能，最好找個伴一起陪你做這件事

想精通編程，這和其他事情一樣，需要堅持，反復嘗試，獲得更多的經驗