靈魂拷問：機器學(xué)習(xí)、深度學(xué)習(xí)專業(yè)已經(jīng)淪為調(diào)包專業(yè)了嗎？

有碩士同學(xué)問：小弟現(xiàn)在正在高校讀碩士，目前跟著導(dǎo)師做自然語言處理的研究，雖說聽起來高大上，但是做過的都知道，例如深度學(xué)習(xí)框架跑起來就是各種調(diào)包，運氣好湊個模型出來發(fā)發(fā)論文，技術(shù)含量就比較稀少了，感覺現(xiàn)在的工作隨便找個由點編程經(jīng)驗的培訓(xùn)一下就能上手了。

所謂外練筋骨皮，內(nèi)練一口氣，想請教一下各位大佬：你認為計算機專業(yè)真正的價值在哪呢？把編程部分剔除之后，計算機真正該研究的是什么呢？它的氣又在哪兒？

本文來源：知乎

回答一

作者：演奏代碼的程序媛
鏈接：https://www.zhihu.com/question/327494084/answer/1641774776

目前來看，起碼在計算機視覺和自然語言處理領(lǐng)域確實是這樣。

深度學(xué)習(xí)當前最主要的兩個應(yīng)用也就是計算機視覺和自然語言處理。

其一，這兩個領(lǐng)域在專家們搞不清楚內(nèi)部原理的情況下，就用不斷堆疊的網(wǎng)絡(luò)層數(shù)已經(jīng)顛覆了傳統(tǒng)算法。

對于論文作者來說，你又說不出個具體原理，大家憑什么相信你的這個結(jié)構(gòu)能達到自己論文說的精度？只能發(fā)論文的時候開源代碼，留給大眾檢驗。看當前深度學(xué)習(xí)論文有沒有用，先得看他敢不敢開源。

所以，現(xiàn)在大多數(shù)好用的深度學(xué)習(xí)算法都開源，包括目標檢測的rcnn系列，yolo系列，ssd等。

其二，也正因為說不出什么道理，真正深入研究各種深度學(xué)習(xí)算法和網(wǎng)絡(luò)結(jié)構(gòu)的大牛，要不通過實驗室里強大的計算資源來試湊各種有效的框架(非常燒錢)——比如谷歌提出的inception系列網(wǎng)絡(luò)結(jié)構(gòu)就是試出來的；

要不就是憑借對深度學(xué)習(xí)的深刻理解和強大的創(chuàng)新能力，提出了新穎的深度學(xué)習(xí)算法——比如提出反向傳播和玻爾茲曼機的Hinton，以及提出卷積神經(jīng)網(wǎng)絡(luò)和將深度學(xué)習(xí)引入圖像識別的Yann LeCun(這里說的提出不是拍腦袋一想就瞎說的，人家是靠數(shù)學(xué)硬生生推導(dǎo)出來的)，這種天才百年難遇。

而工業(yè)界又需要借助人工智能的東風(fēng)提高自己公司的競爭力。但是大多數(shù)公司卻沒有能力自己設(shè)計好用的網(wǎng)絡(luò)結(jié)構(gòu)和算法，只能照著大牛的論文來包裝。不會改只會用，這樣就造成了算法少、需求多的局面?，F(xiàn)在大牛提出的很多著名的深度學(xué)習(xí)算法，基本都被實現(xiàn)遍了。

其三，當前深度學(xué)習(xí)程序普遍用Python語言編寫，Python以包多、調(diào)包方便而聞名，在機器學(xué)習(xí)方面有著名的scikit-learn包，在數(shù)據(jù)處理方面有Pandas、圖像處理有skimage、pillow等，更別說主流的深度學(xué)習(xí)框架Tensorflow、Pytorch、keras等都主要運行在python下，copy別人的代碼復(fù)用簡單，只要你能找得到。

所以。在以上三個原因結(jié)合之下，目前起碼在這兩個領(lǐng)域，整個工業(yè)界都是在調(diào)包、調(diào)參。

做一個小的比喻：目前深度學(xué)習(xí)好比做中餐，師傅(論文作者)告訴你做包子要加入適當?shù)柠}、大料、味精。雖然你不明白這個適當?shù)降资嵌嗌?，但是他順帶給你把餡兒和皮兒都準備齊全了，你需要做的就是按照自己的喜好把包子形狀捏一下。

再說說人才供求方面，目前做自然語言處理和圖像處理的，對應(yīng)于企業(yè)的崗位是「算法工程師」。通過前邊所述，目前這個聽起來高大上的「算法工程師」，其實技術(shù)含量并不比開發(fā)高多少(甚至只會更低)，學(xué)學(xué)吳恩達的課，就自稱算法工程師的不在少數(shù)。

但是目前大多數(shù)公司給的崗位工資比開發(fā)還高不少。

長久來看，只會調(diào)包肯定是沒有競爭力的，當大量「調(diào)包俠」涌入這個行業(yè)，擠掉行業(yè)泡沫的時候，算法工程師這個職位總會洗去鉛華，做一些更有難度和挑戰(zhàn)性的工作。

對于有志于未來進入這個行業(yè)的學(xué)生來說，我的建議有兩條路：

1. 對于以后想做語音識別和計算機視覺的同學(xué)來說：

為了完成工作可以調(diào)包，但是趁著現(xiàn)在有大量的時間，最好可以自己親手實現(xiàn)一下主流的算法(雖然這個過程比較難)，一來提高自己的動手編能力，二來深入理解算法設(shè)計思想，實在不行以后做開發(fā)也用的到編程能力。

2. 對于以后沒有明確目標，只想從事人工智能的同學(xué)來說：

建議了解一下強化學(xué)習(xí)相關(guān)內(nèi)容。強化學(xué)習(xí)算法才有可能制造出真正的人工智能，alpha go下圍棋那么厲害，起決定性作用的決策算法也是采用了強化學(xué)習(xí)的思想，更重要的是，強化學(xué)習(xí)算法對于數(shù)學(xué)要求更高，進入門檻也更高。

回答二

作者：霍華德
鏈接：https://www.zhihu.com/question/327494084/answer/721135096
來源：知乎
著作權(quán)歸作者所有。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請注明出處。

我想你可能做了虛假的AI，虛假的AI有以下特點：

• 從不自己收集、處理、清洗、標注數(shù)據(jù)，而是找一個現(xiàn)有的數(shù)據(jù)集，瘋狂 過擬合數(shù)據(jù)集。

• 科研idea主要來自于各種模塊的花式排列組合，包含但不限于：各種CNN，各種RNN，各種attention，各種transformer，各種dropout，各種batchNorm，各種激活函數(shù)，各種loss function

• 而不是從實際問題和自然語言的現(xiàn)有挑戰(zhàn)出發(fā)來思考idea

• 總是指望靠一個算法、一個模型可以解決所有問題

想做好真實AI，必須：

• 不斷反饋，分析，改進。據(jù)說谷歌的搜索質(zhì)量負責(zé)人Amit Singhal博士每天要看20個以上的不好搜索結(jié)果，然后持續(xù)不斷的迭代改進。

• 面對真實環(huán)境中獲取數(shù)據(jù)難，數(shù)據(jù)標注成本高，數(shù)據(jù)臟難清洗等問題

• 從實際問題和自然語言的現(xiàn)有挑戰(zhàn)出發(fā)，設(shè)計針對問題最適合合理有效的模型

• 從不指望一個算法和問題可以解決所有問題，所有遇到的問題會做出合理的分析和拆解，針對各個難點設(shè)計最優(yōu)解決算法，各個擊破。

回答三

作者：zibuyu9
鏈接：https://www.zhihu.com/question/327494084/answer/723626230

我當年讀博的時候，機器學(xué)習(xí)和自然語言處理的好用開源軟件很少，新發(fā)表論文也沒有開源代碼的習(xí)慣，復(fù)現(xiàn)別人工作總是最費時、費神、折磨人的環(huán)節(jié)。從那個時期過來的，我覺得現(xiàn)在開源之風(fēng)大盛，能讓大家方便地站在巨人肩膀上登高望遠，是多么幸福的事情。

所以，在工具成熟之后，就給人更多選擇的可能性，有的人滿足于熟練使用現(xiàn)有工具，有的人致力于更好地做創(chuàng)新研究，各取所需而已。這就像微軟等軟件企業(yè)，致力于研制改進各類軟件工具，而更多的人使用這些工具，整個生態(tài)就是這樣慢慢成熟起來。相信未來機器學(xué)習(xí)領(lǐng)域也會慢慢誕生微軟這樣的企業(yè)，有人研制，有人使用。

回答四

作者：萬盛中路搖滾樂隊
鏈接：https://www.zhihu.com/question/327494084/answer/702810200

調(diào)參是 ML 這一領(lǐng)域不可避免的，但 ML 并不只是調(diào)參。

學(xué)習(xí) ML 這一方向，最重要的，個人認為是搞懂基本數(shù)學(xué)原理。尤其是在當前各種包極大豐富的情況下。

就比如線性回歸，你需要搞懂，數(shù)學(xué)公式當中，哪些部分是學(xué)習(xí)出來的，哪些部分是固定的，每一部分的“物理意義”是什么，一個公式里面，絕不會有無緣無故多出來的東西，每個東西都有其存在的意義。

然后才是嘗試去寫代碼，比如要實現(xiàn)一個線性回歸，你會怎么實現(xiàn)（這個可以看現(xiàn)有包的源代碼）。進而可以推廣到其他的模型方法。

你是做 NLP 的，那你應(yīng)該至少會看 ACL / EMNLP / NAACL / COLING 的文章吧。找到自己感興趣的文章，反復(fù)閱讀。

看文章的重點在于，

1. 搞清楚文章要解決什么問題。

2. 當前這個問題存在的現(xiàn)狀是什么樣的，為什么會存在，現(xiàn)有的解決方法是什么。

3. 現(xiàn)有解決方法的不足是什么。

4. 作者提出的解決方法是基于什么思想，這一步非常重要。

5. 作者的模型是怎么做的。

從我的學(xué)習(xí)經(jīng)歷來看，這其中，5可能是最不重要的。而搞清楚 4 直接可以推出各種不同的5。我之前有實驗室的哥們，分析了某一篇文章的4，然后在那篇文章的5上加了不到20行代碼，效果提升了20%。

如果你對機器學(xué)習(xí)還是很有熱情的，那你可以多專心思考一下機器學(xué)習(xí)當中一些脫離了編碼的本質(zhì)問題。多看論文，多寫代碼，寫一些脫離了現(xiàn)有包的代碼。這有助于你培養(yǎng)很好的問題分析 insight。

如果你對機器學(xué)習(xí)感到絕望，請像我一樣，轉(zhuǎn)方向吧。之所以感到絕望，是因為窮，買不起顯卡。

參考

鏈接：https://www.zhihu.com/question/327494084