twitter和程序员一起学习

‘壹’ 为什么说开源可以提高程序员的编程技能

开源开发人员都是义务劳动者的观点已经成为编程世界中的陈词滥调，即使是那些伟大的开源举措也无法驳倒这种风靡一时的心态。但是真理总是掌握在少数人手里即使是在开源惯例中，也需要参与开源的开发人员主动为其他人贡献他们的技能，一些企业（或企业集团）往往会因此雇用并支付这些程序员去研究特定的开源项目（如 linux Kernel）。除了开发人员确实可以从开源代码项目中得到薪酬这个事实外，还有 6 个理由可以说服你去做更多的开源项目如果你是一个开发人员的话：

1. 学习和实践

还有什么能让我们一直紧密关联自己的工作领域？作为一个程序员，你需要不断学习编码的最新趋势，你需要不断练习以进一步磨练自己的技能。开源是助你攀登这两座高峰的阶梯。开源的确是预防我们生锈的最佳途径。

2. 经验和简历

你是一个新手开发者？那么，从开源项目中学习，并致力于开源项目是你获得经验和打造有吸引力的简历的最佳方法，它能让你争取到原本不可能的就业机会。在 IT 界找工作并不容易，而且如果你没有任何实战经验的话，那么情况就更糟了。但是如果当雇主看到你的简历，看到你已经参与过一些开源工作，那么可能会认为你主动积极，愿意工作，有工作经验从而增加你被雇用的机会。

3. 网络和协作

你可以与其他伟大的程序员联网，建立项目之外的关系。这是增加 Twitter 粉丝的好办法。开源还可以帮助你和那些志趣相投的，优质的联系人建立网络联系。

你和你的小伙伴还可以一起工作于以后的项目，或者创建一个交流技巧的组群。各种可能数不胜数。

4. 展现（技能，代码等）

参与开源项目能让你获得大量的曝光机会无论是技能还是工作机会。通过使用以前写的代码，能让你节省大量编写开源代码的时间。此外，在你贡献了自己的代码之后，其他程序员可能会紧随你的身后去扩展这些代码你可能会发现代码变得更高级。这是一个开发和机遇无休止的循环，可能会大大影响你的职业生涯。

5. 社区建设

除了能让你获取伟大的实践和经验，开源还能帮助构建一个伟大的社区。因为它是开源的，所以大家可以互相学习彼此的技巧，提高自己的编码技能。

教学相长。就像其他职业一样，你在教授别人的过程中，在为开源项目或社区简单地贡献自己的专业知识的同时，也可以学到东西。

6. 更好的收入机会

现在，如果我们再回过头谈谈钱，为大家揭示所谓的自由工作神话。真的能赚到钱的编程或许就是开源领域了。

为什么？这是因为虽然开源软件产品大多是免费提供给公司使用的，但是公司往往还是会雇用程序员（尤其是那些对此有贡献的程序员）来提供与开源软件相关的服务例如，安装，支持，维护，等等。

具有讽刺意味的是：这些服务很赚钱，而且比销售类似付费软件所赚的钱更多反而这些付费软件不需要这些相关服务。

现在，你知道开源的好处了吧，所以每个开发人员都应该致力于开源项目。而且开源不仅对开发人员有利，对企业而言，也是好事，因为它保证了最高的安全性和质量。

开源并不是完全免费的志愿活动。相反，从长期来看，它能让你渐渐地超越你的同龄人，它会成为一棵真正的摇钱树。

希望可以帮到您，谢谢！

‘贰’ 程序员为什么要学深度学习

费良宏：程序员为什么要学深度学习？

深度学习本身是一个非常庞大的知识体系。本文更多想从程序员的视角出发，让大家观察一下深度学习对程序员意味着什么，以及我们如何利用这样一个高速发展的学科，来帮助程序员提升软件开发的能力。
本文根据费良宏在2016QCon全球软件开发大会（上海）上的演讲整理而成。
前言
1973年，美国上映了一部热门的科幻电影《WestWorld》，三年之后又有一个续集叫做《FutureWorld》。这部电影在80年代初被引进到中国叫《未来世界》。那部电影对我来讲简直可以说得上是震撼。影片中出现了很多机器人，表情丰富的面部下面都是集成电路板。这让那时候的我觉得未来世界都是那么遥远、那么神秘。
时间到了2016年，很多朋友可能都在追看HBO斥巨资拍摄的同一题材的系列剧《WestWorld》。如果前两部电影还是局限在机器人、人工智能这样的话题，2016年的新剧则在剧情和人工智能的思考方面有了很大的突破。不再渲染机器人是否会威胁到人类，而是在探讨“Dreamsaremainlymemories”这一类更具哲理的问题。
“记忆究竟如何影响了智能”这个话题非常值得我们去思考，也给我们一个很好的启示——今天，人工智能领域究竟有了怎样的发展和进步。
今天我们探讨的话题不仅仅是简单的人工智能。如果大家对深度学习感兴趣，我相信各位一定会在搜索引擎上搜索过类似相关的关键字。我在Google上以deeplearning作为关键字得到了2,630万个搜索的结果。这个数字比一周之前足足多出了300多万的结果。这个数字足以看得出来深度学习相关的内容发展的速度，人们对深度学习的关注也越来越高。

从另外的一个角度，我想让大家看看深度学习在市场上究竟有多么热门。从2011年到现在一共有140多家专注人工智能、深度学习相关的创业公司被收购。仅仅在2016年这种并购就发生了40多起。
其中最疯狂的是就是Google，已经收购了 11 家人工智能创业公司，其中最有名的就是击败了李世石九段的 DeepMind。排名之后的就要数 Apple、Intel以及Twitter。以Intel 公司为例，仅在今年就已经收购了 3 家创业公司，Itseez、Nervana 和 Movidius。这一系列大手笔的并购为了布局人工智能以及深度学习的领域。
当我们去搜索深度学习话题的时候，经常会看到这样的一些晦涩难懂的术语：Gradient descent（梯度下降算法）、Backpropagation（反向传播算法）、Convolutional Neural Network（卷积神经网络）、受限玻耳兹曼机（Restricted Boltzmann Machine）等。
如打开任何一篇技术文章，你看到的通篇都是各种数学公式。大家看到如下左边的图，其实并不是一篇高水准的学术论文，而仅仅是维基网络关于玻耳兹曼机的介绍。维基网络是科普层面的内容，内容复杂程度就超过了大多数数学知识的能力。

在这样的背景之下，我今天的的话题可以归纳成三点：第一，我们为什么要学习深度学习；第二，深度学习最核心的关键概念就是神经网络，那么究竟什么是神经网络；第三，作为程序员，当我们想要成为深度学习开发者的时候，我们需要具备怎样的工具箱，以及从哪里着手进行开发。
为什么要学习深度学习
首先，我们谈谈为什么要学习深度学习。在这个市场当中，最不缺乏的就是各种概念以及各种时髦新技术的词汇。深度学习有什么不一样的地方？我非常喜欢AndrewNg（吴恩达）曾经用过的一个比喻。
他把深度学习比喻成一个火箭。这个火箭有一个最重要的部分，就是它的引擎，目前来看在这个领域里面，引擎的核心就是神经网络。大家都知道，火箭除了引擎之外还需要有燃料，那么大数据其实就构成了整个火箭另外的重要组成部分——燃料。以往我们谈到大数据的时候，更多是强调存储和管理数据的能力，但是这些方法和工具更多是对于以往历史数据的统计、汇总。
而对于今后未知的东西，这些传统的方法并不能够帮助我们可以从大数据中得出预测的结论。如果考虑到神经网络和大数据结合，我们才可能看清楚大数据真正的价值和意义。AndrewNg就曾经说过“我们相信（神经网络代表的深度学习）是让我们获得最接近于人工智能的捷径”。这就是我们要学习深度学习的一个最重要的原因。

其次，随着我们进行数据处理以及运算能力的不断提升，深度学习所代表的人工智能技术和传统意义上人工智能技术比较起来，在性能上有了突飞猛进的发展。这主要得益于在过去几十间计算机和相关产业不断发展带来的成果。在人工智能的领域，性能是我们选择深度学习另一个重要的原因。

这是一段Nvidia在今年公布的关于深度学习在无人驾驶领域应用的视频。我们可以看到，将深度学习应用在自动驾驶方面，仅仅经历了3千英里的训练，就可以达到什么样的程度。在今年年初进行的实验上，这个系统还不具备真正智能能力，经常会出现各种各样的让人提心吊胆的状况，甚至在某些情况下还需要人工干预。
但经过了3千英里的训练之后，我们看到在山路、公路、泥地等各种复杂的路况下面，无人驾驶已经有了一个非常惊人的表现。请大家注意，这个深度学习的模型只经过了短短几个月、3千英里的训练。
如果我们不断完善这种模型的话，这种处理能力将会变得何等的强大。这个场景里面最重要的技术无疑就是深度学习。我们可以得出一个结论：深度学习可以为我们提供强大的能力，如果程序员拥有了这个技术的话，无异于会让每个程序员如虎添翼。
神经网络快速入门
如果我们对于学习深度学习没有任何疑虑的话，接下来就一定会关心我需要掌握什么样的知识才能让我进入到这个领域。这里面最重要的关键技术就是“神经网络”。说起“神经网络”，容易混淆是这样两个完全不同的概念。
一个是生物学神经网络，第二个才是我们今天要谈起的人工智能神经网络。可能在座的各位有朋友在从事人工智能方面的工作。当你向他请教神经网络的时候，他会抛出许多陌生的概念和术语让你听起来云里雾里，而你只能望而却步了。
对于人工智能神经网络这个概念，大多数的程序员都会觉得距离自己有很大的距离。因为很难有人愿意花时间跟你分享神经网络的本质究竟是什么。而你从书本上读的到的理论和概念，也很让你找到一个清晰、简单的结论。
今天就我们来看一看，从程序员角度出发神经网络究竟是什么。我第一次知道神经网络这个概念是通过一部电影——1991年上映的《终结者2》。男主角施瓦辛格有一句台词：
“MyCPUisaneural-netprocessor;alearningcomputer.”（我的处理器是一个神经处理单元，它是一台可以学习的计算机)。从历史来看人类对自身智力的探索，远远早于对于神经网络的研究。
1852年，意大利学者因为一个偶然的失误，将人类的头颅掉到硝酸盐溶液中，从而获得第一次通过肉眼关注神经网络的机会。这个意外加速了对人类智力奥秘的探索，开启了人工智能、神经元这样概念的发展。
生物神经网络这个概念的发展，和今天我们谈的神经网络有什么关系吗？我们今天谈到的神经网络，除了在部分名词上借鉴了生物学神经网络之外，跟生物学神经网络已经没有任何关系，它已经完全是数学和计算机领域的概念，这也是人工智能发展成熟的标志。这点大家要区分开，不要把生物神经网络跟我们今天谈到的人工智能有任何的混淆。

90年代中期，由Vapnik等人提出了支持向量机算法（Support Vector Machines，支持向量机）。很快这个算法就在很多方面体现出了对比神经网络的巨大优势，例如：无需调参、高效率、全局最优解等。基于这些理由，SVM算法迅速打败了神经网络算法成为那个时期的主流。而神经网络的研究则再次陷入了冰河期。
在被人摒弃的十年里面，有几个学者仍然在坚持研究。其中很重要的一个人就是加拿大多伦多大学的Geoffery Hinton教授。2006年，他的在着名的《Science》杂志上发表了论文，首次提出了“深度信念网络”的概念。
与传统的训练方式不同，“深度信念网络”有一个“预训练”（pre-training）的过程，这可以方便的让神经网络中的权值找到一个接近最优解的值，之后再使用“微调”(fine-tuning)技术来对整个网络进行优化训练。这两个技术的运用大幅度减少了训练多层神经网络的时间。在他的论文里面，他给多层神经网络相关的学习方法赋予了一个新名词— “深度学习”。
很快，深度学习在语音识别领域崭露头角。接着在2012年，深度学习技术又在图像识别领域大展拳脚。Hinton与他的学生在ImageNet竞赛中，用多层的卷积神经网络成功地对包含一千个类别的一百万张图片进行了训练，取得了分类错误率15%的好成绩，这个成绩比第二名高了将近11个百分点。
这个结果充分证明了多层神经网络识别效果的优越性。从那时起，深度学习就开启了新的一段黄金时期。我们看到今天深度学习和神经网络的火热发展，就是从那个时候开始引爆的。

利用神经网络构建分类器，这个神经网络的结构是怎样的？

其实这个结构非常简单，我们看到这个图就是简单神经网络的示意图。神经网络本质上就是一种“有向图”。图上的每个节点借用了生物学的术语就有了一个新的名词 – “神经元”。连接神经元的具有指向性的连线（有向弧）则被看作是“神经”。这这个图上神经元并不是最重要的，最重要的是连接神经元的神经。每个神经部分有指向性，每一个神经元会指向下一层的节点。
节点是分层的，每个节点指向上一层节点。同层节点没有连接，并且不能越过上一层节点。每个弧上有一个值，我们通常称之为”权重“。通过权重就可以有一个公式计算出它们所指的节点的值。这个权重值是多少？我们是通过训练得出结果。它们的初始赋值往往通过随机数开始，然后训练得到的最逼近真实值的结果作为模型，并可以被反复使用。这个结果就是我们说的训练过的分类器。
节点分成输入节点和输出节点，中间称为隐层。简单来说，我们有数据输入项，中间不同的多个层次的神经网络层次，就是我们说的隐层。之所以在这样称呼，因为对我们来讲这些层次是不可见的。输出结果也被称作输出节点，输出节点是有限的数量，输入节点也是有限数量，隐层是我们可以设计的模型部分，这就是最简单的神经网络概念。
如果简单做一个简单的类比，我想用四层神经网络做一个解释。左边是输入节点，我们看到有若干输入项，这可能代表不同苹果的RGB值、味道或者其它输入进来的数据项。中间隐层就是我们设计出来的神经网络，这个网络现在有不同的层次，层次之间权重是我们不断训练获得一个结果。
最后输出的结果，保存在输出节点里面，每一次像一个流向一样，神经是有一个指向的，通过不同层进行不同的计算。在隐层当中，每一个节点输入的结果计算之后作为下一层的输入项，最终结果会保存在输出节点上，输出值最接近我们的分类，得到某一个值，就被分成某一类。这就是使用神经网络的简单概述。

除了从左到右的形式表达的结构图，还有一种常见的表达形式是从下到上来表示一个神经网络。这时候，输入层在图的最下方，输出层则在图的最上方。从左到右的表达形式以AndrewNg和LeCun的文献使用较多。而在Caffe框架里则使用的则是从下到上的表达。
简单来说，神经网络并不神秘，它就是有像图，利用图的处理能力帮助我们对特征的提取和学习的过程。2006年Hinton的那篇着名的论文中，将深度学习总结成三个最重要的要素：计算、数据、模型。有了这三点，就可以实现一个深度学习的系统。
程序员需要的工具箱
对于程序员来说，掌握理论知识是为了更好的编程实践。那就让我们看看，对于程序员来说，着手深度学习的实践需要准备什么样的工具。
硬件
从硬件来讲，我们可能需要的计算能力，首先想到的就是CPU。除了通常的CPU架构以外，还出现了附加有乘法器的CPU，用以提升计算能力。此外在不同领域会有DSP的应用场景，比如手写体识别、语音识别、等使用的专用的信号处理器。还有一类就是GPU，这是一个目前深度学习应用比较热门的领域。最后一类就是FPGA（可编程逻辑门阵列）。
这四种方法各有其优缺点，每种产品会有很大的差异。相比较而言CPU虽然运算能力弱一些，但是擅长管理和调度，比如读取数据，管理文件，人机交互等，工具也丰富。DSP相比而言管理能力较弱，但是强化了特定的运算能力。
这两者都是靠高主频来解决运算量的问题，适合有大量递归操作以及不便拆分的算法。GPU的管理能力更弱一些，但是运算能力更强。但由于计算单元数量多，更适合整块数据进行流处理的算法。
FPGA在管理与运算处理方面都很强，但是开发周期长，复杂算法开发难度较大。就实时性来说，FPGA是最高的。单从目前的发展来看，对于普通程序员来说，现实中普遍采用的计算资源就还是是CPU以及GPU的模式，其中GPU是最热门的领域。

这是我前天为这次分享而准备的一个AWS 上p2的实例。仅仅通过几条命令就完成了实例的更新、驱动的安装和环境的设置，总共的资源创建、设置时间大概在10分钟以内。而之前，我安装调试前面提到的那台计算机，足足花了我两天时间。

另外，从成本上还可以做一个对比。p2.8xLarge 实例每小时的费用是7.2美元。而我自己那台计算机总共的花费了是¥16,904元。这个成本足够让我使用350多个小时的p2.8xLarge。在一年里使用AWS深度学习站就可以抵消掉我所有的付出。随着技术的不断的升级换代，我可以不断的升级我的实例，从而可以用有限的成本获得更大、更多的处理资源。这其实也是云计算的价值所在。
云计算和深度学习究竟有什么关系？今年的8月8号，在IDG网站上发表了一篇文章谈到了这个话题。文章中做了这样一个预言：如果深度学习的并行能力不断提高，云计算所提供的处理能力也不断发展，两者结合可能会产生新一代的深度学习，将带来更大影响和冲击。这是需要大家考虑和重视的一个方向！
软件
深度学习除了硬件的基础环境之外。程序员会更关心与开发相关的软件资源。这里我罗列了一些曾经使用过的软件框架和工具。

Scikit-learn是最为流行的一个python机器学习库。它具有如下吸引人的特点：简单、高效且异常丰富的数据挖掘/数据分析算法实现； 基于NumPy、SciPy以及matplotlib，从数据探索性分析，数据可视化到算法实现，整个过程一体化实现；开源，有非常丰富的学习文档。
Caffe专注在卷及神经网络以及图像处理。不过Caffe已经很久没有更新过了。这个框架的一个主要的开发者贾扬清也在今年跳槽去了Google。也许曾经的霸主地位要让位给他人了。
Theano 是一个非常灵活的Python 机器学习的库。在研究领域非常流行，使用上非常方便易于定义复杂的模型。Tensorflow 的API 非常类似于Theano。我在今年北京的QCon 大会上也分享过关于Theano 的话题。
Jupyter notebook 是一个很强大的基于ipython的python代码编辑器，部署在网页上，可以非常方便的进行交互式的处理，很适合进行算法研究合数据处理。
Torch 是一个非常出色的机器学习的库。它是由一个比较小众的lua语言实现的。但是因为LuaJIT 的使用，程序的效率非常出色。Facebook在人工智能领域主打Torch，甚至现在推出了自己的升级版框架Torchnet。
深度学习的框架非常之多，是不是有一种乱花渐欲迷人眼的感觉？我今天向各位程序员重点介绍的是将是TensorFlow。这是2015年谷歌推出的开源的面向机器学习的开发框架，这也是Google第二代的深度学习的框架。很多公司都使用了TensorFlow开发了很多有意思的应用，效果很好。
用TensorFlow可以做什么？答案是它可以应用于回归模型、神经网络以深度学习这几个领域。在深度学习方面它集成了分布式表示、卷积神经网络(CNN)、递归神经网络(RNN) 以及长短期记忆人工神经网络（Long-Short Term Memory, LSTM）。
关于Tensorflow 首先要理解的概念就是Tensor。在辞典中对于这个词的定义是张量，是一个可用来表示在一些向量、标量和其他张量之间的线性关系的多线性函数。实际上这个表述很难理解，用我自己的语言解释Tensor 就是“N维数组”而已。

使用 TensorFlow, 作为程序员必须明白 TensorFlow这样几个基础概念：它使用图 (Graph) 来表示计算任务；在被称之为 会话 (Session) 的上下文 (context) 中执行图；使用 Tensor 表示数据；通过 变量 (Variable) 维护状态；使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据。
一句话总结就是，TensorFlow 就是有状态图的数据流图计算环境，每个节点就是在做数据操作，然后提供依赖性和指向性，提供完整数据流。
TensorFlow安装非常简单，但官网提供下载的安装包所支持的CUDA 的版本是7.5。考虑到CUDA 8 的让人心动的新特以及不久就要正式发布的现状。或许你想会考虑立即体验CUDA 8，那么就只能通过编译Tensorflow源代码而获得。目前TensorFlow已经支持了Python2.7、3.3+。
此外，对于使用Python 语言的程序员还需要安装所需要的一些库，例如：numpy、protobuf等等。对于卷积处理而言，cuDNN是公认的性能最好的开发库，请一定要安装上。常规的Tensorsorflow的安装很简单，一条命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想评估一下或者简单学习一下，还可以通过Docker进行安装，安装的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多优点。首先，目前为止，深度学习的开发框架里面TensorFlow的文档做的最好，对程序员学习而言是非常好的一点。第二，TensorFlow有丰富的参考实例，作为参考学习起来非常容易。
第三，开发者社区活跃，在任何一个深度学习的社区里，都有大量关于TensorFlow的讨论。第四，谷歌的支持力度非常大，从2015年到现在升级速度非常快，这是其他开源框架远远达不到的结果。
参考TensorFlow的白皮书，我们会看到未来TensorFlow还将会有巨大的发展潜力。让我特别感兴趣是这两个方向。第一，支持跨多台机器的 parallelisation。尽管在0.8版本中推出了并行化的能力，但是目前还不完善。随着未来不断发展，依托云计算的处理能力的提升这个特性将是非常让人振奋的。
第二，支持更多的开发语言，对于开发者来说这是一个绝大的利好，通过使用自己擅长的语言使用TensorFlow应用。这些开发语言将会扩展到java、Lua以及R 等。
在这里我想给大家展示一个应用Tensorflow 的例子。这个例子的代码托管在这个网址上 https://github.com/anishathalye/neural-style。白俄罗斯的现代印象派艺术家Leonid Afremov善于用浓墨重彩来表现都市和风景题材，尤其是其雨景系列作品。他习惯用大色块的铺陈来营造光影效果，对反光物体和环境色的把握非常精准。
于是我就找到了一张上海东方明珠电视塔的一张摄影作品，我希望通过Tensorflow 去学习一下Leonid Afremov 的绘画风格，并将这张东方明珠的照片处理成那种光影色彩丰富的作品风格。利用Tensorflow 以及上面提到的那个项目的代码，在一个AWS 的p2类型的实例上进行了一个一千次的迭代，于是就得到了下图这样的处理结果。

这个处理的代码只有350行里，模型使用了一个成名于2014年ImageNet比赛中的明星 VGG。这个模型非常好，特点就是“go depper”。
TensorFlow 做出这样的作品，并不仅仅作为娱乐供大家一笑，还可以做更多有意思的事情。将刚才的处理能力推广到视频当中，就可以看到下图这样的效果，用梵高着名的作品”星月夜“的风格就加工成了这样新的视频风格。

可以想象一下，如果这种处理能力在更多领域得以应用，它会产生什么样的神奇结果？前景是美好的，让我们有无限遐想。事实上我们目前所从事的很多领域的应用开发都可以通过使用神经网络和深度学习来加以改变。对于深度学习而言，掌握它并不是难事。每一个程序员都可以很容易的掌握这种技术，利用所具备的资源，让我们很快成为深度学习的程序开发人员。
结束语
未来究竟是什么样，我们没有办法预言。有位作家Ray Kurzweil在2005年写了《奇点临近》一书。在这本书里面他明确告诉我们，那个时代很快到来。作为那个时代曙光前的人群，我们是不是有能力加速这个过程，利用我们学习的能力实现这个梦想呢？

中国人工智能的发展
人工智能的时代无疑已经到来，这个时代需要的当然就是掌握了人工智能并将其解决具体问题的工程师。坦率的说，市场上这一类的工程师还属于凤毛麟角。职场上的薪酬待遇可以看得出来这样的工程师的抢手的程度。人工智能这门学科发展到今天，就学术自身而言已经具备了大规模产业化的能力。
所以说，对于工程师而言当务之急就是尽快的掌握应用人工智能的应用技术。当下在互联网上关于人工智能的学习资料可以说已经是“汗牛充栋”，那些具备了快速学习能力的工程师一定会在人工智能的大潮当中脱颖而出。
中国发展人工智能产业的环境已经具备。无论从创业环境、人员的素质乃至市场的机遇而言完全具备了产生产业变革的一切条件。与美国相比较，在人工智能的许多领域中国团队的表现也可以说是不逞多让。就人工智能的技术层面而言，中国的工程师与全球最好的技术团队正处于同一个起跑线上。
时不我待，中国的工程师是有机会在这个领域大展身手的。不过值得注意的是，要切忌两点：一是好高骛远，盲目与国外攀比。毕竟积累有长短，术业有专攻，我们要立足于已有的积累，寻求逐步的突破。二是一拥而上，盲目追求市场的风口。人工智能的工程化需要大量的基础性的积累，并非一蹴而就简单复制就可以成功。
中国的科研技术人员在人工智能领域的成就有目共睹。在王咏刚的一篇文章里面，他统计了从2013年到2015年SCI收录的“深度学习”论文，中国在2014年和2015年超已经超过了美国居于领跑者的位置。
另外一让我感到惊讶的事情，Google的JeffDean在2016年发表过一篇名为《TensorFlow:Asystemforlarge-scalemachinelearning》的论文。文章的22个作者里面，明显是中国名字的作者占已经到了1/5。如果要列举中国人/华人在人工智能领域里的大牛，吴恩达、孙剑、杨强、黄广斌、马毅、张大鹏……很容易就可以说出一大串。
对于中国来说目前的当务之急是人工智能技术的产业化，唯有如此我们才可以讲科研／智力领域的优势转化为整体的、全面的优势。在这一点上，中国是全球最大的消费市场以及制造业强国，我们完全有机会借助市场的优势成为这个领域的领先者。
硅谷创新企业
硅谷虽然去过许多回，但一直无缘在那里长期工作。在人工智能领域的市场我们听到的更多是围绕Google、Apple、Intel、Amazon这样的一些大型科技公司的一举一动。但是在美国市场上还有一大批小型的创业企业在人工智能这个领域有惊艳的表现。仅以硅谷区域的公司为例：
Captricity，提供了手写数据的信息提取；
VIVLab，针对语音识别开发了虚拟助手服务；
TERADEEP，利用FPGA提供了高效的卷积神经网络的方案；
还有提供无人驾驶解决方案的NetraDyne。
这个名单还可以很长，还有许许多多正在利用人工智能技术试图去创造历史的团队正在打造他们的梦想。这些团队以及他们正在专注的领域是值得我们去学习和体会的。

‘叁’ 程序员入门：如何自学编程

1、选定方向

编程的世界是多元纷繁的，大的方向就分前端开发、后端开发、移动开发、云计算、数据处理、智能硬件、物联网、虚拟现实等等，光编程语言都几十种。如果没有做过功课，贸然进入只会分分钟懵逼。所以最好是根据自己的兴趣爱好再结合市场前景，先选定一个方向，再选择一门语言，然后头也不回的深深扎进去。

2、优化学习方式

做好笔记，记录经验，我们大多数人并没有过目不忘的神技，很多时候我们学了也不一定马上掌握，需要过后花时间慢慢领悟，而且还有忘掉的风险，所以对于重要的知识点都要做好笔记。

3、多看官方文档，外文资料
互联网是一个更新迭代很快的行业，所有编程语言都会不断的更新新功能和修复旧Bug，网上查的资料很有可能是旧的解决方案，现在已经不适用了。所以最好最快的方法就是查看官方文档。

4、动手做项目
我们学习编程的最终目的就是用所学的做出具有一定功能的项目，而做项目又是最好的学习和巩固知识的方式。如果前期能力不足就先做一些简单的功能模块，一步一步慢慢来，不要一开始就要实现各种酷炫炸天功能，遇到不会的就在网上查， 现在互联网这么发达，获取资源也及其方便。

‘肆’ 大家知道java程序员学习路线吗

随着计算机技术的不断发展，Java开发人才也越来越受重视，很多企业都开出了丰厚的薪资待遇来吸引Java开发人才。这也使得很多人想通过Java培训来学习Java技术并转行Java开发。

Java培训内容有哪些?

优就业Java培训课程内容紧跟时代发展，不断迭代更新，涵盖应用时下热门技术框架，高度契合企业需求。在专业技术学习的同时，融入大量全真项目实训，从需求分析到项目研发再到项目测试，学员可参与每个流程、细节，帮助学员学会、学懂、学透。优就业Java课程内容主要包含五个阶段，分别为：

第一阶段JavaEE基础：Java基础语法、面向对象、核心类库、集合、异常、IO、线程、JDK新特性

第二阶段JavaWeb开发：前端技术、数据库、JAVA数据库操作、软件服务器及服务器相关技术、动态网页JSP、AJAX、优就业-在线医疗系统

第三阶段Java高级框架：SpringMVC、MyBatis、Spring、MySQL高级、Linux&Redis&Nginx、Maven、中公MIS权限系统

第四阶段大型微服务分布式项目实战：SpringBoot、SpringCloud、Git、Dubbo、Zookeeper、AngularJS、Spring Security、BCrypt加密、FastDFS、分布式事务处理、Redis Cluster、Solr、SolrCloud、Freemarker、JMS、短信发送平台、SSO解决方案、CORS、Twitter的Snowflake、SpringTask、Maven Profile、MongoDB简介、MyCat、Docker、Jenkins、东易买大型电商实战、东易众筹

第五阶段微服务大型项目实战：优学在线教育系统。

Java培训学习路线是如何规划的?

优就业Java培训学习路线是先从JavaEE基础知识学起培养面向对象的编程思想，然后学习JavaWeb、SSM高级框架、SpringBoot、微服务分布式技术等，帮助学员

点击这里领取我们线上学习免费课程。更多Java培训相关问题，可以持续关注浙江优就业官方网站以及浙江优就业公众号具体了解哦。如果大家有时间的话，最好是能到我们线下基地进行实地考察。

‘伍’ 想不想了解“Twitter：外企这座城”

很多公司的招聘信息上会写这样一句话“我们采用外企管理模式”…

问新来的实习生小妹妹，你觉得W公司（国内某互联网巨头）对你有吸引力么？得到的答案是，我们只对外企更感兴趣。

港剧里的格子间，充斥了我们童年假期的午后，在还背不下几个单词的时候，外企的打字员比教师、科学家更有吸引力。

外企究竟是一个什么样的地方？活力、自由、福利好、青春+…这些是真的外企，还只是你想看到的外企？

为了全方面为大家展现外企的点滴，脉脉邀请了Twitter的资深研发工程师，为大家介绍，外企这座“围城”中的人，是如何看待这座城的。
还有就是签证的问题，中国人如果没有绿卡的话赴美工作需要工作签证，比如说h1b, O1, L1，这三种签证都需要你先有一个雇主，你不能像旅游签证那样自己办办就行了。

h1b相对来说最普遍，门槛最低,但是也有致命的问题，就是需要抽签。抽签带来两个问题，一个是现在中签的概率大概一半左右（如果没有美国的硕士以上学位，这个概率更低，因为美国硕士可以提前多抽一次），第二是需要时间，4月初抽签，大概五六月份能知道结果，可你要等到了10月份才能工作，你的雇主未必等的起。

所以在美刚毕业的留学生们一般都用OPT身份过度以下，OPT可以允许你暂时工作一到三年（看专业），这样你可以多次的抽签机会。

那国内想出国的大拿们就没机会了吗？当然不是，我们Twitter就基本每年都会从国内直接招人，给办h1b。

还有不少公司专门往出送人，但是出去一般都是比较血汗的咨询外包公司，很苦，而且这些基本也都是h1b，你抽签能不能中，就看你人品了。

当然也可以选择出来读书，硕士一般两年左右，学费生活费加起来10万美金左右吧，剩点闲钱还能全家全美玩一玩，要全职硕士才可以opt哦。

有追求的也可以和我一样读博士，要好多年，但是不要学费，每个月还能给你发点生活费，可以在学校某个角落有个小办公室，享受几年惬意的美国校园生活。

不想读书的，也还有一招，很多时候作为配偶也可以工作比说h4和j2,所以娶个学霸老婆让她出来读博士用J签证，你J2也能工作(这个具体我没研究过，要是不行，你别砍我)，当然还有各种别的办法，你可以自己研究，中介的话不能全信，大家有问题欢迎到脉脉来问我，虽然我说的也未必都对，多少能给你个参考。

（细节的福利和技术，我受保密条款的约束，不方便细说，大家见谅）

就写到这里吧，对于一个互联网公司来说，Twitter和我都不算年轻了，看着公司的那只蓝胖小鸟，我们出走半生，归来仍是少年。

北南
2017年夏写于加州圣布鲁诺


我们和硅谷的人享受同一片阳光，我们和纽约的人共享同一个家园，我们和伦敦的人同呼吸这世界的空气，不论国企、外企、还有私企，企业衡量员工的标准看能力，而不是一句“Amy，help我send个E-mail。”

‘陆’ 程序员入门:如何自学编程_自学程序员怎么入门

首要之首：不要急于选择一种语言新手们有一个常见的错误就是犹豫于判断哪明睁种编程语言是做好的、最该先学的

我们有很多的选择，但你不能说那种语言“最好”

我们应该理解：说到底，什么语言并不重要

重要的是理解数据结构、控制逻辑和设计模式

任何一种语言—甚至一种简单的脚本语言—都会具有所有编程语言都共有的各种特征，也就是说各种语言是贯通的

我正在攻读我的计算机学学位，我编程使用Pascal，汇编，和C语言，事实上我从来没有把它当成职业以求获得回报

我一直在自学编程，工作上用不到它，我使用现有的知识，参考各种文档和书本，学习它们的用法

因此，不要急于选择何种编程语言

找出你想要开发的东西，使用一种能够完成这项任务的语言，这就可以了

根据各种开发平台的不同，有很多不同的软件开发形式可供你选择：从网站应用到桌面软件到智能手机软件到命令行脚本工具

这篇文章里，我将重点介绍一些很受欢迎的入门教程和资源，它们能帮助你学会如何在各种主流的平台上编程开发

我先假设你是一个悟性很强的读者，但对于新手，当我谈论程序代码时还是要按照入门级的水平

因为即使是你自己看一篇编程入门手册，如果发现都能理解时，心情自然会很高兴，这样利于你进一步学习

桌面脚本想要动手在Windows里或苹果系统里编程，最简单的方法是从一种脚本语言或宏语言开始，例如AutoHotkey(Windows)或Automator(苹果系统)

如今一些硬件程序员冲着他们的屏幕大喊大叫，说AHK和AppleScript并不是“真正”的编程语言

也许他们说的是对的—技术上，这些种类的语言只能做一些上层的编程

但是对于那些只是想来脱盲、想在他们的电脑里实现一些能自动运行的程序的新手来说，这些语言会是一个绝妙的入门入口—而且你会吃惊于它们丰富的功能

例如，大家都喜爱的Texter就是Adam使用AutoHotkey开发的能独立运行的Windows应用程序，所以说这种脚本语言远不是只能开发小规模脚本软件

如果你想从AutoHotkey入手，可以参考Adam的指导：（然后，你可以下基乱载Texter源代码看看这个功能齐全的使用AHK开发的Windows应用程序的内部结构)

Web开发HTML和CSS：开发网站，你第一件要知道的事情就是HTML(网页就是由它组成的)和CSS(一种让外观更好看的样式标记)

HTML和CSS并不是编程语言—它们只是页面的结构和样式信息

然而，在开始开发web应用程序之前你必须要学会如何手工的编写简单的HTML和CSS，web页面是任何webapp的前端显示部分

这个HTML指导是你入手的好地方

JavaScript:当你可以通过HTML和CSS构建一个静态页面后，事情就开始变得有趣了—因为到了该学JavaScript的时候了

JavaScript是一种web浏览器上的编程语言，它的魔力就是能在页面里制造一些动态效果

JavaScript可以做,脚本,和Ajax,所以它是web上各种好东西的关于因素

学习JavaScript从这里开

服务器端脚本：一旦你学会了网页里的知识，你就要开始对它添加一些动态服务器操作—为了实现这些，你需要把目光转移到服务器端脚本语言，例如PHP,Python,Perl,或Ruby

举个例子，如果想要制作一个网页形式的联系方式表单，根据用户的输入发送邮件，你就需要使用服务器端脚本来实现

像PHP这样的脚本语言可以让你跟web服务器上的数据库进行沟通，所以如果你想搭建一个用户可以登录注册的网站，这样的语言正是你需要的

Webmonkey是一个优秀的web开发资源网站，里面有大量的各种web编程语言的指导手册

阅读一下他们的PHP初学者指南

当你感觉差不多了的时候，看看WebMonkey’sPHPandMySQLtutorial学习如何使用PHP跟数据库交互

网上最好的要数PHP语言官方的在线文档和函数参考了

每个知识点上(例如strlenfunction这个)都在后面列出来用户的评论注释，这些对于文档的本身是非常有价值的

（我很喜欢PHP，但还有很多其他种服务器端的脚本语言你们都可以选择

)Web框架：过去数搏槐档年里，web开发人员在开发动态网站的过程中不得不一遍又一遍的针对重复遇到的问题写出重复的代码

为了避免这种每次开发一些新网站都会重复劳动一次的问题，一些程序员动手搭建了一些框架，让框架替我们完成重复性的工作

非常流行的RubyonRails框架，作为一个例子，它利用Ruby编程语言，为我们提供了一个专门面向web的架构，普通的web应用程序都能使用它来完成

事实上，Adam使用Rails开发了他的第一个正式的（而且是叹为观止的！）web应用程序，MixTape

me

这就是他的如何在没有任何经验的情况下搭建一个网站

还有一些其他的web开发框架包括CakePHP(针对PHP编程者),Django(针对Python编程中),以及jQuery(针对JavaScript)

WebAPIs:API(应用层序编程接口)是指不同的软件之间相互交换的程序途径

例如，如果你想在你的网站上放一个动态的地图，你可以使用GoogleMap，而不需要开发自己的地图

TheGoogleMapsAPI可以轻松的让你通过JavaScript在程序中引入一个地图到你的页面上

几乎所有的现代的你所知道的和喜爱的web服务都提供了API，通过这些API你可以获取到他们的数据和小工具，在你的应用程序里就可以使用这些交互过来的东西了，例如Twitter,Facebook,GoogleDocs,GoogleMaps,这个列表远不止这些

通过API把其他web应用集成到你的web应用里是现在富web开发的前沿地带

每个优秀的主流的web服务API都附带有完整的文档和一些快速入手的指导(例如，这个就是Twitter的)

疯狂吧

命令行脚本如果你想开发一个程序，让它读取文字或文件、输入输出一些有用的东西，那么，命令行脚本语言将是个不错的选择

然而它并不像web应用程序和桌面应用程序那样有吸引力和好看的外观，但是作为快速开发的脚本语言，你却不能忽视它们

很多的在linux平台上运行的web脚本同样能以命令行模式运行，例如Perl，Python和PHP，所以如果你学会了使用它们，你将能在两种环境中使用它们

我的学习道路一直没离开Perl太远，我自学Python使用的是这本优秀的在线免费书DiveintoPython

如果成为一个Unix高手也是你学习的目标，那么你绝对要精通bash这个脚本语言

Bash是Unix和Linux环境下的一种命令行脚本语言，它能够为你做所以的事情：从自动备份数据库脚本到功能齐全的用户交互程序

起初我没有任何使用bash脚本的经验，但最终我用bash开发了一个全功能的个人代办任务管理器：Todo

txtCLI

插件（Add-ons）如今的web应用程序和浏览器都可以通过一些扩展软件来丰富自己的功能

由于一些现有的软件，例如Firefox、WordPress越来越受到开发人员的关注，插件的开发也日益流行，人们都在说“ButifonlyitcoulddoTHIS”只要你掌握了HTML，JavaScript和CSS，你就可以在任何的浏览器里开发你想要的很多东西

,scripts,和Stylishuserstyles这些软件都是用的更普通页面一样的语言写成的,这几个东西都值得你去研究一些

更高级的浏览器扩展程序，例如Firefox的扩展，它们可以帮助你很多

开发Firefox的扩展，举个例子，需要你精通JavaScript和XML（一种标记语言，类似HTML，但具有更严格的格式）

早在2007年我就写下来howtobuildaFirefoxextension,这是我在笨手笨脚的研究网上的一些学习资料后获得的成果

很多免费的、受欢迎的web应用程序都提供了扩展框架，例如WordPress和MediaWiki

这些应用程序都是用PHP写成的，所以只有对PHP熟悉你才能做这些事情

这个就是如何编写WordPress插件

而想驾驭GoogleWave前沿技术的开发人员可以从使用HTML,JavaScript,Java,和Python写小组件和小工具开始

我写的第一个Wavebot是跟着这个一个下午时间的快速入门指导开始的

开发桌面上的Web应用程序学习编程最好的结果是你在一个环境下学的东西可以应用到另外的环境中

先学习开发web应用程序的好处就是我们有一些方法可以让web应用程序直接在桌面上运行

例如，AdobeAIR是一个跨平台的即时运行平台，它能让你编写的程序运行在任何装有AIR的操作系统的桌面上

AIR应用程序都是由HTML,Flash,或Flex写成的，所以它能让你的web程序在桌面环境中运行

AIR是开发部署桌面应用程序的一个优秀的选择，就像我们提到过的10个让你值得去安装AIR的应用程序

移动应用开发能在iPhone或者Android智能手机上运行的手机应用程序的开发如今正呈现井喷之势，所以你也可以梦想一下如何在iTunes应用商店里通过你的天才程序大赚一笔

但是，作为一个编码新手，直接奔向移动开发所经历的学习曲线可能会很陡，因为它需要你熟悉高级的编程语言，例如Java和ObjectiveC

然而，你当然应该看看iPhone和Android编程究竟是什么样子的

阅读这个简单的iPhone应用开发例子可以初步认识一下iPhone程序的开发过程

Android程序都是由Java写成的，这有一个简单的视频教程教你如何开发第一个”HelloAndroid“程序（注：可能需要代理才能看这个视频）

耐心，刻苦，尝试，失败好的程序员都有一个不达目的誓不罢休的品质，他们会惊喜于通过长期推敲和失败换来的一点成绩

学会编程会有很好的回报的，但是学习的过程可能会是饱受挫折和孤独的

如果有可能，最好找个伴一起陪你做这件事

想精通编程，这和其他事情一样，需要坚持，反复尝试，获得更多的经验