深度学习人工智能的必要知识

为了在日常工作中和算法同学进行无障碍的沟通，与业务沟通的时候能够专业的回复用户，遇到问题的时候能够对出问题的原因进行预判，作为人工智能工程化团队的一员了解一些深度学习知识是必要的。

当然，不是要工程同学去学习如何设计模型结构和损失函数、如何防止过拟合，甚至工程同学都可以不知道什么是梯度下降，CNN是什么，mobileNet为何物，但是一些必备的基础知识咱们还是要能理解和听懂的。

1、人工智能不仅仅只有深度学习，之前团队有个QA跟我说，他只测算法，我说这个图像处理也是算法啊，他告诉我说这个没有模型，不是算法，所以不测试，我当时就很懵逼。所以，如果你看到这篇文章，将来想转行搞人工智能，别闹出这种笑话来。

2、模型文件。一般工程和算法沟通的时候会问：“你们什么时候把模型文件给我们？”，那什么是模型文件咧？模型文件的定义：目前绝大部分的深度学习框架都将整个AI模型的计算过程抽象成数据流图（Data Flow Graphs）。为了方便地重用AI模型的计算过程，我们需要将它运行的数据流图、相应的运行参数（Parameters）和训练出来的权重（Weights）保存下来，这就是AI模型文件的内容。作为工程的同学，可以把这个文件当成是一个“黑盒”，理解成一个“函数”，将这个“函数”的输入设置进去，“函数”就可以计算出一个输出。

3、深度学习有两个过程：“深度学习训练（Training）”和“深度学习推理（Inference）”“深度学习训练”的过程就是获取模型文件的过程，“深度学习推理（Inference）” 则是拿到模型后，根据使用者的输入计算输出的过程。我们工程同学更多的是关心“深度学习推理（Inference）” 过程。

4、深度学习框架。在算法工程师已经掌握了深度学习的核心算法的情况下，可以使用Python或任何其他编程语言从头开始实现自己的神经网络模型。但是如果需要实现更复杂的模型，如卷积神经网络（CNN）或循环神经网络（RNN）时，会发现从头开始实现复杂模型是不切实际的，因此深度学习框架应运而生。常用的深度学习框架有TensorFlow、Pytorch、Caffe等等。我们工程同学更多的是关心深度学习推理框架，很多公司都有自己的深度学习推理框架，比如旷视用MegEngine，快手的ycnn等等。对于工程同学来说，很少在同一家公司里面使用两个不同的推理框架，如果有不同，就可以推动一下公司各个算法团队去统一了。

5、各种指标，你提需求的时候，算法就会问你，这个业务对指标有什么需求啊，你如果回答“希望准确率做到95%以上，召回在90%以上”，这样就显得很专业。

准确率（Accuracy）：就是在全部预测中，正确预测结果占的比例。比如你预测下雨10次，不下雨10次，预计下雨对了5次，预计不下雨对了5次，你的准确率就是0.5。

 精度（Precision），就是在全部阳性预测中，正确预测结果占的比例。比如，你预报了10次下雨，结果只下了3次，你的预报精度就是 0.3。

 召回率（Recall），就是在全部阳性事件中，正确预测结果占的比例。比如，下了10次雨，结果你只正确预报了 2 次，你的预报的召回率就是 0.2。

了解这些基础，基本就可以跟算法正常的沟通需求了。当然，如果你再多去了解一些原理会更好。