小知识，大挑战！本文参与《程序员必备小知识》创作活动。
问题
关于人工智能，如何才能快速入门、应该如何学习？
回答1：我没有成功的经历，只有失败的经历
首先，我写博客的主要目的是输出和强制输入。既然我写作，就必须学习才能写出一些东西。至少我必须先知道发生了什么，然后我才能用自己的语言描述它。我是一个懒惰的人，但我想进步，所以我想出了这样的强迫方法。并不是因为我取得了成功和知识，我拥有了那么多知识，我才开始讨论和教学。
因为我没有成功过，所以我没有成功的经验。
不过，我研究机器学习已经有 3 年了，自从它被评为“2017 年十大流行语”之一后，我就开始关注它。
2018年4月份我开始在QQ空间上记录自己的学习内容，不过那时只是为了自己看而已。
到现在为止，我经过了这么多的曲折，还是没有取得什么成就，也没有出名，也没有成为名人，更没有获得诺贝尔奖之类的东西。
我虽然默默无闻，但这三年并没有白白浪费，我没日没夜地工作，但至少我知道时间浪费在了哪里，我可以把这些失败的经验讲给大家听。
2.杀猪戳屁股，各有各的办法
我给大家看一段网上流传的关于人工智能的介绍。
这张图中充满了数百条供你学习机器学习的学习路线。
第一个也是最基本的是“矩阵和线性代数”。其他包括 DataFrames、Extract、Transform、RegEx、pdfs...
我的基础很差，学历也不高，但是机器学习对基础知识的要求很高，至少要硕士以上学历才行。
我没有优势，所以我要沿着这条路走下去，决心脚踏实地，一步一个脚印。哪怕像从西方获得佛经一样困难，我也会坚持下去。虽然我没有三年的研究生学习时间，但我会用六年的时间自学相关知识。
于是，我开始学习矩阵。网易可汗学院公开课上有一门关于矩阵的课程，我开始学习每一节课。
断断续续学习了两个月后，我开始疑惑，这么无聊的课程到底有什么意义，我能在哪里用到它？
于是，我恼了，开始直接看人工智能项目的代码。
先看了《TensorFlow实战谷歌深度学习框架》这本书，打开一看，还是一个矩阵：
我看不懂，很郁闷，反思自己基础不扎实，所以又回去学矩阵了。
学习了一会儿，下楼跟卖驴肉火锅的小伙（数学专业本科创业者）讨论，感觉自己在餐饮行业的矩阵世界里，已经无敌了。
翻开书一看，已经超越了矩阵计算，开始讲概率了，尤其是各种公式，我又看不懂了。
我又去学概率了，因为代码需要按照公式来写，为了打好基础，我又学了一个月的概率分布。
我在想如果按照这样的速度学习的话，可能再过30年我也接触不到人工智能了。
我最好忘掉这件事然后继续做这个项目。
3.别想太多，行动就好
我开始找项目，从实战入手，注重运行代码，运行代码看看效果，兴趣越来越大。这时，我找到了第二本书《21个项目玩转深度学习：基于TensorFlow的实用详解》，开始搭建环境，运行书中的例子。
有时候，我根本不知道代码是什么意思，没关系，就想着 20 年后你就会全明白了。现在先运行一下例子，感受一下它的神奇吧。如果想了解更多，可以去《TensorFlow 实战谷歌深度学习框架》看相应的理论讲解。
其实有了这个目标，我心理上就没有任何压力了，以前做不理解某件事就会生气，现在做不理解某件事就会按照计划去做。
然而这条路还是坎坷的，想要成功运行一个项目实在是太难了，各种环境问题、配置问题，有时候要花一周甚至一个月的时间，但是当你运行起来的时候，你会有一种错觉：这些代码都是你写的，这个项目是你的作品！
或许，那不是幻觉，从某种维度来说，那是你劳动的成果。就像你自己组装了一台电脑，你不需要关心CPU是不是你自己做的。
在解决问题的过程中，你会学到很多知识。这些知识并不系统，不像29集矩阵课程那么完整，而是零散的，只和这个项目相关。
运行完这些例子之后，虽然你还不知道实现这些功能的细节，但对深度学习的理解会更高一层。比如说到 GAN，你知道它是一个生成对抗网络，是一个自己对抗自己，自己制造假货，然后自己识别假货的网络。你运行过一个自动生成动漫头像的例子，也知道为了做到这一点，首先需要一些动漫头像作为训练集。
运行完这些例子，你就会知道深度学习的应用领域，包括自然语言处理、图像处理、音视频处理等。看到自动对局，你会说这是通过“强化学习”实现的，有经验池，走对了棋还有奖励。
为什么你会突然明白这一点呢？因为你花了一个多星期去运行一个例子，而那个例子就是关于“强化学习”的，所以你记得这么深刻。
此时深度学习就相当于我们脑子里有了一个轮廓，虽然不知道它的脸，但我们知道它是一个人。
4.不，我们还需要仔细考虑一下。
此刻，你以为自己已经无敌了。
事实上，你两者都不是：你只是在运行别人写的代码，只能实现固定的功能。
我问你，你成功运行了一个自动生成莎士比亚歌剧的例子，但如果我让你自动生成曾国藩家书，你能做到吗？
您自豪地认为您所要做的就是替换数据集，因为您尝试用富兰克林的数据替换莎士比亚的数据并且成功了。
但一旦你改了曾国藩的数据，就全完了。原因是英文和中文的分词方法不同，但其原理是语言无关的。你只需要改一个地方，但你不知道改哪里。
当你想要做出改变的时候却发现，那种能够运行前面例子的成就感其实只是假象，根本无法控制。
那我们就来了解一下它的原理吧，搞懂了原理才知道在哪里做手术，在哪里缝合。
这又回到了学习基础知识的起点。你又会看到这些烦人但又不可避免的公式，就像这样：
虽然我们还是面临同样的问题，看似又回到了原点，但其实还是有很大区别的。就好比现在叫你去参加高考，虽然你还不知道该怎么做，但你知道高考意味着什么，知道大学里应该如何专心学习和社交。
这时候你真的需要静下心来好好学习，不要分心，不要扩大研究，只要搞清楚这一点就行了，因为你的精力是有限的。
这可能是一个艰难的时刻。如果你熬不过去，就放弃吧。如果你熬过去了，以后还会有更艰难的。
在这一点上，深度学习就像我们的大脑里有了器官，我们可以清楚地知道我们的耳朵和眼睛在哪儿，它们是什么形状。
5. 你不是唯一一个感到困惑的人。每个人都有疑问。
当你看到上面这些东西，终于明白它们意味着什么的时候，你突然发现在2.0版本框架版本升级了，你不需要再关心这些东西了，心里有些不开心。
在1.0版本中，我们仍然需要关心原则，设计矩阵结构。但在2.0版本中，这已经没有必要了。
至此，你还没有完全了解旧版本1.0，新版本2.0就已经到来了。
你想学吗？
6. 官方举措大多是趋势
我从 TensorFlow 1.x 的张量、图和会话开始学习。由于我的知识有限，1.x 生态系统和公式一样晦涩难懂。
然而在TensorFlow 2.x发布之后，针对初学者的高级API，尤其是官方大力推广的keras，让编程变得极其简单，只需要几十行代码就可以完成一个神经网络的训练和使用。
我纠结了好一阵子，最终还是选择了新版本，并推荐给了其他人。
造成这种情况的原因有几个，这也是为什么官方正在推这个版本的原因：
7. 交流区
综上所述：
目前我还是一个初学者，通过阅读英文文档来学习，只是一个搬运工，不能胜任你们的老师，我只能在我博客内容范围内给你们做一些详细的解释。因为只要我写出来，就一定是我彻底理解了。
我打算开设一个交流区，一是为了更好的传达大家对我博客的疑惑，同时也为了让大家可以互相交流。
比如在《CNN基础识别——我想给女儿批改作业》这篇文章中，将代码上传到github之后。
hwangato 正在跑步。
但宇智波没有成功。
如果两人能够互相交流，一个人可以指导别人把代码跑一遍，以加深印象，掌握得更扎实；另一个人可以在别人的帮助下学习东西，提高自己的技能。
这样我就没什么事可做了。