義大利程序員

⑴ 程序員在義大利一年大概多少錢

原價1+1年大概能賺個三400,000左右吧，不同的城市價格不一樣。

⑵ 世界上第一個程序員 編寫了首款電腦程序推動計算機發展

英國Ada Lovelace 是世界上第一個程序員，在那個計算機非常不發達，並且也沒有任何概念的時候，她首次編寫了程序，同時使用了循環和子程序的概念。她編寫了世界上首款電腦程序，這對於推動世界計算機的發展有著非常重要的作用。

一、阿達對於計算機歷史的影響

在最初時，人們對於計算機的認識並不全面，所以對於阿達的成就並沒有表示太大的認可，而在1953時，也就是阿達去世後100年時，阿達之前的計算公式和演算法被公布之後，引起來許多的熱議，同時也是肯定了阿達對於現代計算機中的研發，和在軟體工程製造方面產生的非常大的影響。

而在現在許多人使用的微軟之中，也有著阿達的全息圖標，同時英國官方計算機也會每年以阿達的名字命名頒發一個獎項。在1980時期，美國的國防部製造出最新的高級計算機語言，並且用阿達的名字來命名，以表示她的重要性。現在世界上最復雜最完備的工具，就是阿達所提出的演算法和程序所寫出來的。

二、阿達的成就

阿達不僅是計算機程序的鼻祖，同時也是一個數學家。根據記載，她從小就對於數學非常感興趣，她僅僅只用了9個月的時間，就將義大利著名數學家編著的計算機設計書概念書進行了全面的額翻譯，而翻譯之後的運算方式就是世界上的第一個電腦軟體工程。阿達在非常早之前就語言到在未來，機械電腦會有著更加復雜的用途，而現實已經將她的預言證明。

阿達在許多著名的著作家之中的書中也有著非常大的名氣，在《差分解析儀》之中，阿達是這本書的主角，而在這本書中講述了阿達對於計算機所作出的貢獻，和對於未來計算機發展的預判。

⑶ 2048的游戲規則是什麼

2048游戲共有16個格子，初始時初始數字由2或者4構成。

1、手指向一個方向滑動，所有格子會向那個方向運動。

2、相同數字的兩個格子，相撞時數字會相加。

3、每次滑動時，空白處會隨機刷新出一個數字的格子。

4、當界面不可運動時（當界面全部被數字填滿時），游戲結束；當界面中最大數字是2048時，游戲勝利。

(3)義大利程序員擴展閱讀：

2048版本

1、傳統版

有16個格子，初始時會有兩個格子上安放了兩個數字2，每次可以選擇上下左右其中一個方向去滑動，每滑動一次，所有的數字方塊都會往滑動的方向靠攏外，系統也會在空白的地方隨即出現一個數字方塊，相同數字的方塊在靠攏、相撞時會相加。

2、漢服版

原版的數字由各種漢服形制的圖片替代，不斷的疊加最終拼湊出「玄端」這個漢服形制方塊就算成功。

3、朝代版

數字置換成中國自夏開始的各個朝代，就是兩個夏拼成一個商，兩個商拼成一個周……每次碰撞後便生成下一個朝代，以此類推直到中華人民共和國完成通關。

⑷ 各國程序員薪資水平，咱有點慘

智能招聘平台 CodeSubmit 統計分析了 20 多個國家在 2022 年的軟體工程領域的平均工資發現，美國的軟體工程師薪資水平最高，瑞士和以色列緊隨其後。

前十榜單還包括丹麥、加拿大、挪威、澳大利亞、英國、德國和瑞典。中國則排在第 19 位，平均薪資水平為 23,790 美元 / 年。

其他方面，印度是一個西方公司傾向於將其技術需求外包的國家，其平均年薪為 7,725 美元。奈及利亞薪資水平墊底，為 7,255 美元 / 年。

CodeSubmit 方面指出，總體而言軟體開發是世界上最受歡迎的職業。對軟體開發人員需求最高的國家是加拿大、澳大利亞、俄羅斯、瑞典和紐西蘭；由於人才緊缺，工資水平也往往更高。

美國軟體開發人員 的平均工資為每年 110,140 美元或每月 9,178 美元。初級開發人員的平均工資為每年 69,354 美元或每月 5,779 美元，高級開發人員的平均工資為每年 104,188 美元或每月 8,682 美元。

軟體開發人員收入最高的州是加利福尼亞，平均工資為 146,770 美元；華盛頓次之。收入最高的城市包括聖何塞（167,420 美元）、舊金山（158,320 美元）和西雅圖（148,200 美元）。

該國的編程語言平均薪資水平中，Go 和 python 等流行的後端語言位居榜首。具體表現為：

歐洲軟體開發人員的平均工資水平低於美國。

總體而言，歐洲國家在東西方之間存在很大差異。 西歐開發者 的年收入至少為 40,000 美元以上，而 東歐的開發者 期望的收入要少得多，約為 20,000 美元以上； 南歐開發者 的薪酬也要低於北歐開發者。 西班牙、義大利、葡萄牙和希臘的開發人員 預計年薪范圍在 21,314 到 36,323 美元。

美國和歐洲國家之外， 以色列軟體開發人員 的平均年薪為 71,559 美元或每月 5,963 美元。初級開發人員每年賺 69,851 美元或每月 5,820 美元，高級開發人員通常年薪為 114,751 美元或每月 9,562 美元。

語言方面，Golang（每年 109,702 美元）和 Python（每年 83,369 美元）平均薪資水平最高。PHP 和 Ruby 在以色列支付的薪資水平最低，分別為每年 64,573 美元和 64,525 美元。

此外， 日本開發人員 的平均工資為每年 36,024 美元或每月 3,002 美元。編程語言薪資方面，iOS 水平最高，Ruby 位居第二；SQL 和 Java 是日本收入最低的編程語言。

印度軟體開發人員 的平均工資為每年 7,725 美元或每月 643 美元。Ruby 是印度收入最高的編程語言，每年 12,372 美元。Android 是薪資水平最低的語言，為 5,181 美元 / 年。

總體而言，各國總體編程語言薪資水平中，Golang 和 Ruby 往往是高薪語言，而 JavaScript 和 PHP 則是工資最低的語言。

⑸ 人類史上第一個程序員是誰她做了哪些改變世界的舉動

Richard Stallman，首先他是將程序運用到了電腦體內，所以能夠讓電腦有了WiFi。

⑹ 艾達：生來本是白富美，卻甘做第一位女碼農

英國是一個盛產數學家和計算機天才的地方。除了圖靈（人工智慧之父）、伯納斯·李（萬維網之父）、傑米斯·哈薩比斯（阿爾法狗之父）之外，你或許不知道，世界上第一個女程序員也是英國人。不過和人們印象中略顯呆板羞澀的碼農不一樣，這位程序員不僅是白富美，而且出身高貴，她就是艾達·洛夫萊斯（Ada Lovelace），英國著名詩人拜倫的女兒。

艾達於1815年12月10日降生在一個赫赫有名的英國上流社會家庭。他的父親是大詩人拜倫，她的母親是安妮•伊莎貝拉•米爾班奇（Annabella Milbanke），是一位擁有溫特沃斯男爵夫人頭銜的大家閨秀。

文藝青年拜倫或許是一個傑出詩人，但他絕不是個靠譜的丈夫和父親。拜倫放盪不羈，熱衷於詩歌、女人（有時也包括男人）、和酒精。母親安妮是一位受過良好教育、有宗教信仰、舉止得體的女性，她熱衷社會公益，鍾情數理化，拜倫稱她為「平行四邊形公主」。艾達出生幾周後，父母離婚，之後拜倫離開英國，從此艾達再也沒有見到過父親。在艾達8歲的時候，拜倫在希臘獨立戰爭中病死，時年36歲。

艾達母親生怕女兒繼承父親狂放不羈的詩人做派，她希望「以毒攻毒」，用數學的力量壓住女兒的詩人基因。

艾達的母親甚至給女兒的保姆下這樣的命令：只給她講事實，不能讓任何虛構無聊的故事進入到她的頭腦中。

就這樣，艾達長大了 …

那個時候生在貴族家庭的女孩，大多熱衷於在舞廳里跳舞，嫁個不錯的老公，但是艾達卻想著製造一個飛行器。她四處尋找各種新發明，思考蒸汽機是如何提供動力的，研究鳥類的解剖來尋找適合飛行的機翼尺寸。在一個數學只屬於男人的時代，她卻把熱情投入到自己所喜歡的計算機科學中。

艾達自幼體弱多病，經常頭疼眼花，曾患過一場嚴重的麻疹，在床上修養了將近一年，之後仍然行動不便，經過長期復健之後才逐漸恢復行走能力。與母親同住的期間，艾達的教育從未被中斷過，安娜深信教育的影響力，努力栽培艾達的數學和科學能力。數學占據了她人生的絕大部分，扎實的數學基礎，也讓艾達對計算機領域的研究提供了有力的支持。1835年，艾達與威廉•金結婚，並於1838年成為洛夫萊斯伯爵夫人。

17歲時，艾達認識了查爾斯•巴貝奇（英國數學家、發明家兼機械工程師。由於提出了差分機與分析機的設計概念，被視為計算機先驅 ），並參與了巴貝奇的差分機。艾達認識巴貝奇時，他的差分機研究一再失敗，自助也被停止了，急需大量金錢來投入研究。艾達並沒有自己的私房錢，所以靠翻譯論文來賺些錢的需求就產生了。

1842年到1843年間，艾達花了9個月的時間，翻譯出義大利軍事工程師的差分機論文，並加上了長篇的筆記。她的筆記里包含了一套伯努利數運算，這種演算法被認為是世界上第一個計算機程序。

盡管巴貝奇以前寫過部分程序，但是艾達的記錄是完成最詳細的，艾達的筆記對早期電腦發展史起了十分重要的作用。但更重要的是，她明白數字不僅能代表數量，更可以處理任何能用數字代表的信息數據。她預言：「這個機器未來可以用來排版、邊去或是各種更復雜的用途。」艾達的預見能力比同行超前了整整一個世紀。

盡管艾達生活中大部分不幸似乎都來自父親，但是最終卻患上了母親的家族遺傳病。1852年，年僅36歲的艾達為了治療子宮癌，卻因此失血過多，留下了兩個兒子和一個女兒。按她的遺言，葬在父親身邊。

上世紀70年代，美國國防部為所屬的嵌入式計算機系統設計了一套高效安全的計算機語言，這個語言最後就以「艾達」命名，它就是後來著名的」Ada」語言。

2009年，英國社會軟體開源運動倡導人和記者Suw Charman-Anderson創辦了Ada Lovelace Day，來慶祝她對科學和工程做出的貢獻，這個節日讓我們更多地去了解那些投身於科學技術、工程和數學領域的女性。

⑺ 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。

⑻ 看Python 超級程序員使用什麼開發工具

我以個人的身份采訪了幾個頂尖的Python程序員，問了他們以下5個簡單的問題：

當前你的主要開發任務是什麼？
你在項目中使用的電腦是怎樣的？
你使用什麼IDE開發？
你將來的計劃是什麼？
有什麼給Python程序員的建議？

就是這幾個問題，我找了幾個頂尖的程序員和編程書籍作家，問他們這幾個相同的問題。下面是他們的回答，希望在他們的回答中你能找到一些可以讓你的開發更便捷的工具。

Alex Martelli

Alex Martelli

人物簡介：Alex Martelli是一位義大利計算機軟體程序員，他是Python軟體基金會的成員。從2005年初開始，他以「Über技術首領」的身份在加利福尼亞景山谷歌總部工作。他擁有義大利Bologna大學電子工程學位(1980)。他是《Python in a Nutshell》一書的作者，他還和其他人合著了《Python Cookbook》，他還寫了一些其它一些作品，大部分都是和Python相關的。因為他對Python社區傑出的貢獻，他被授予的榮譽包括2002 Activators』 Choice Award和2006 Frank Willison award。

你可以通過他的博客了解更多關於他的信息。

問題一、當前你的主要開發任務是什麼？

給我的老闆(谷歌)開發商業軟體，大部分是商業智能方面。

問題二、你在項目中使用的硬體機器是怎樣的？

基本上都是谷歌的雲伺服器，通過谷歌APP引擎直接或間接的使用。有時候也使用一個Unix工作站或Macbook Air，但很少。

問題三、你使用什麼IDE開發？

vim, gvim, mvim; 偶爾用一下iPython，但這好像不能算是IDE吧。

問題四、你將來的計劃是什麼？

應該還會待在谷歌——具體的研究方向那要看實際情況。

問題五、有什麼給Python程序員的建議？

學習一下App Engine(通過webapp2 或flask, jinja2, &c以及其它類似django的輕量級環境)：它們大部分都會對你的web項目有很好的用處——如果你想在這些環境之外的地方部署web應用，Appscale會是你最方便的選擇。

Daniel Greenfeld

Daniel Greenfeld

人物簡介： Daniel Greenfeld是《Two Scoops of django》一書的合著人。他有超過6年的在Django領域的研究經驗。之前他在美國宇航局做開發，就是在那裡他開始了他的Python之旅，一直到現在。他目前是Cartwheel Web的負責人。

你可以通過他的Twitter: @pydanny 和他的博客獲取他的更多信息。

問題一、當前你的主要開發任務是什麼？

我現在的工作主要是客戶端方面，基本上都是用Python。內容服務方面有時候會用到Django，但當前的主要工作基本上跟web無關。

問題二、你在項目中使用的硬體機器是怎樣的？

硬體方面，我使用一個2011年的Macbook Air。因為我的開發方式，像Macbook
Air這樣的超級本用起來非常舒服。可蘋果的產品一般都很貴，我就自己配了一個，我打算所有的任務都用它來做。如果哪天我能有一個新的筆記本，我想試試Linux的超級本或Window8的平板(以前我是靠虛擬機運行Windows8)。

問題三、你使用什麼IDE開發？

我使用Sublime Text。我更喜歡文本編輯器，而不是IDE，因為我喜歡深入研究程序庫和它們的文檔，而不是通過IDE工具來提示我。

問題四、你將來的計劃是什麼？

我未來的計劃就是編程，鍛煉，做我最擅長的事情。也許會去一個新地方旅遊。我喜歡去沒有去過的地方，認識新朋友，品嘗沒吃過的食物。但大部分我的旅遊都是基於客戶的需求，今年我不知道什麼時候會有這樣的機會。

問題五、有什麼給Python程序員的建議？

我給Python程序員的建議是挑戰極限。尋找新的代碼庫，研究它們，使用它們。它們有些會不是很好，不好的東西也會教會你一些東西(不該做的事情)。

Miguel Grinberg

Miguel Grinberg

人物簡介： Miguel是一個程序員，攝影師和電影製作人。生活在美國俄勒岡州。他目前正在寫一本關於使用Python和Flask做web開發的書，將會由 O』Reilly Media出版。這本書的官方網站是Flask Book。

你可以通過他的Twitter: @miguelgrinberg 和他的博客獲取更多信息。

問題一、當前你的主要開發任務是什麼？

也許你會吃驚，工作中我並不做web開發。我在為Harmonic做視頻軟體。C++是我在工作中使用的主要語言，但我們卻使用了一個古老的用Python寫的自動化單元測試框架，用起來很有趣。

空閑時間里我目前的第一大任務就是給O』Reilly出版社寫一本關於Flask為框架的書，基本上快寫成了。

問題二、你在項目中使用的硬體機器是怎樣的？

我的機器是一個雙系統的台式機，裝的是Ubuntu和Windows8.1。我還有一個Mac OS X筆記本。

我在跨平台方面有些變態。除了給Arino這樣的嵌入式系統寫代碼外，所有其它我寫的代碼(不管什麼語言)，都需要在三種平台上運行。為了達到這個目的，我會不斷的在Linux，Windows和OS X機器間切換。

問題三、你使用什麼IDE開發？

我有一些最愛。PyCharm非常棒，在大型項目時我越來越依賴它，主要是因為它的互動式的調試工具。

在Windows平台上我會使用Visual Studio的一個Python插件，免費的，非常出色，我估計大部分人沒聽說過它。

我還經常使用SublimeText，通常是在筆記本上使用它。

Notepad++是我在Window台式機上最順手的工具。在我所有的電腦上都裝有一個非常老的Vim，即使在Windows上也使用Cygwin運行它。

問題四、你將來的計劃是什麼？

我在四月份的PyCon大會上會有一個關於Flask的演講，我下一步開始著手准備材料，因為書已經快寫好了。

我最近沒怎麼寫博客，我很想寫一點。我想能多騰出一些時間寫博客。我已經擬了一份話題目錄，准備按著這個清單寫。如果需要的話，我可以把裡面的一個關於Flask上的web sockets的文章提到最前面。

問題五、有什麼給Python程序員的建議？

我對所有程序員——不光是Python愛好者——的建議是，多去實踐，然後把它們分享給世界。分享很重要，從別人那獲得反饋是讓你提高的好方法。

而對於Python程序員我想說的是，如果我們只需要用嘴去討論Python2和Python3的差別、而不需要花時間將眾多的軟體移植到Python3，那該多好。玩笑。

說的太好了！

揭開其他程序員的面紗，窺視他們如何施展魔法工作，這很有用。你可以看到，他們使用的工具、技術，我們都可以採用，很多都是免費的。我很感謝他們能分享這些信息。