一直以来，虽然我自己一直在从事AI的学习，以及AI的工作，但是其实一直都和很多朋友唱衰AI，因为我自己的学校不好，不如那些好学校的学生靠学校就可以进各种面试，然后刷刷题就能获得一份算法的工作，为了能从事算法这个行业，需要付出多少只有自己清楚。
但是按不住还是很多朋友，不管是知乎上的，还是现实中的朋友，一直在问AI到底要怎么学，AI到底要如何入门，什么西瓜书，花书到底怎么看。我自认为自己不是一个聪明的人，当初走了不少弯路，浪费许多时间。今天准备小小的写一下自己的一些心得体会，帮一些刚上研究生，甚至可能不是AI专业但是不得不学的师弟师妹们，加速入门。如有错漏，欢迎指正。
这个系列计划是更新三到四节，从如何上手，到怎么看论文，再到如何写一篇论文。本节分别从两个小问题开始引入。
- 老师让我入门看花书西瓜书，有必要看么，看的话，要看多久？
- 我代码能力很差，应该怎么办？
算法入门
对于第一个问题，在我的定义里，这个应该被称作算法入门，西瓜书是传统机器学习算法入门，而花书属于深度学习算法入门。
传统机器学习算法入门
传统的机器学习算法，主要包括西瓜书中列举的，决策树，贝叶斯，bp，支持向量机等一系列的传统机器学习算法的内容。我个人对于西瓜书的看法在于：了解内容即可。
什么叫了解内容即可，简单来说，知道每一类机器学习算法，究竟是干嘛的，在做一个什么样子的事情，例如决策树就是一直在做条件筛选，支持向量机简单来说就是算距离分类。了解的它们究竟是在做什么，就够了，至于具体的每一步怎么算怎么实现的，对于一个刚入门的选手来说，并不重要。
为什么说这些具体的实现方式不重要呢？因为对于绝大部分同学来说，传统机器学习算法会被使用的最大可能性只有2个，一个是可能需要参加数模比赛，要凑方法，另一个是可能需要在写论文的时候，涉及到贝叶斯的公式，需要了解一下。当前传统机器学习的就业面很窄，性能一般般鲁棒性又很差，应用场景确实不多。
很多同学在学习西瓜书的时候，学的很痛苦。因为根据过去的经验，明白一个事儿需要看公式在干嘛，但是西瓜书公式，又是跳步，又很抽象，导致大家学习过程非常的痛苦，但是其实本身这些机器学习的方法的实现，都已经在sklearn中集成好了，甚至里面集成的内容远远超出了西瓜书中的机器学习知识，而这些都只需要一行代码就能直接实现。你既然未来基本或者很少会用到，何必花费大量宝贵的时间在这上面呢？
深度学习算法入门
深度学习算法，主要就是一些深度学习的基本概念，实现，以及一些简单应用，所以很多老师在一入学会让同学们再看个花书，有的同学一入学，一个西瓜书一个花书，一个学期就过去了，研三上找工作申博，能拿来用的时间总共4个学期，四分之一就没了，这显然是没啥必要的。
这里推荐一个我自己认为比较适合用来入门的东西。在b站李沐大神的课程《动手学深度学习》以及霹雳吧啦Wz的代码视频，当初我自己也是看这两个入的门。之所以推荐这两个，特备是动手学深度学习，是由于花书作为一本书，每天看几页没个清晰的认知不说，很多代码比较老了，跑不起来，在李沐大神的课程里，代码有自己的库，同时比较新，实验一下所见即所得，而且一个章节多少分钟很清晰，不容易磨洋工。而霹雳吧啦Wz的视频，则是具体的任务论文讲解和实现，属于进阶入门内容。接下来分别说一下这两个内容，怎么学以及学多久。
关于李沐大神《动手学深度学习》，我的建议是分成两个阶段，一个阶段是概念理解:所谓的概念理解，就是课程的前半部分，权重是啥，优化器是啥，学习率是啥等等，会教你这些，所有任务都会使用的内容。这些建议整体看+学，变看变跟着实验代码，属于必须会的东西。第二阶段是具体的任务，例如图像的分类分割检测，nlp的bert啥的，这些就需要询问自己实验室的师兄师姐们了，比如实验室都是做nlp，llm的，你在这儿学了半天检测分割，也没啥意义，你实验室是做cv的，没啥计算资源，那你就算天天看，把所有的llm教程和llm的论文都看了，也没用。根据前人做啥你看啥相关的理念，选择性学习。这个过程，自己兴趣大，学的快的，一个礼拜以内应该就结束了，就算再慢，两个礼拜也应该看完了。
在学习完《动手学深度学习》之后，那就开始上手读论文了，论文也是根据上面的经验，实验室的前辈做啥你看啥，nlp的大部分在李沐的频道都能找到，cv的入门的在霹雳吧啦Wz里也基本都能找到，自己看了之后，如果是cv，霹雳吧啦Wz也有网络代码实现详解，也可以仔细看看。把所在领域的这些入门教程论文都看了，也可以称得上是一句，入门了。
代码入门
很多同学其实一点代码能力没有，然后想着自己没有代码能力咋办，要我说，那除了菜就多练，还能咋办。我自己在那种接单群里接单赚过外快，太清楚每天那种帮忙搞代码的活，做都做不完，但是这种人就算真毕业了，工作里还能让别人做么？
当然，搞算法的对代码能力的需求其实没这么大，远不如搞开发的，接下来我会大概讲一下具体需要掌握的代码能力。
数据处理能力
这一部分指的是对于数据的调整，众所周知，深度学习最重要的东西，是数据，而数据处理就是重中之重。从最简单的如何构造一个数据集，构造dataload，把数据集塞到模型里去。我认识好多人真的做了3年深度学习，连怎么造数据集都不会，只会一件调用公开数据集，非常幽默。再难点，就是各种数据的处理了，包括但不限于，什么数据的裁剪，筛选之类的，单个数据的处理，例如什么快速傅里叶分离高低频啊，锐化，之类的，不过这些都属于慢慢学的内容了，入门嘛，把最简单的先学好。
模型搭建能力
这里的模型搭建能力其实也分两种，一个是pipeline搭建，一个是改模型。
其中pipeline搭建，在霹雳吧啦Wz的代码仓库，有一个简易的pipeline，我个人很建议大家把那个pipeline的每一行都理解并记下来，基本囊括了一个模型跑起来所需要的部分，以后看各种代码，其实都是在做匹配，这一坨代码是用来改学习率的，那一坨是读数据的，等等。大家在明白了最简单的一个流程之后，再看其他的，会相对简单一些。不然说实话，就现在深度学习很多研究者的代码就是在别人基础上改改，最后改的多了，一层包一层，正常人根本看不懂，说不准作者自己都不知道自己改的到底牵扯了多少地方，标准屎山，如果没有一个俯视的理解，那看的会相当痛苦。
而改模型，这个也可以看霹雳吧啦Wz的一些代码讲解视频，因为他是直接把pytorch官方模型库里的一些模型复现做的教程，都是一些经典模型，而且是传统那种一层层搭的，理解起来比较容易。后续很多任务库很多，yolo系列的用yaml文件搭模型，mmcv搭模型，这种很多很多，无一例外，非常抽象，想自己改改玩玩太麻烦了，对新手机器不友好，建议统统避开。
如果你能自己处理好数据，然后搭建整个模型的pipeline，还能在模型上换换改改，那代码能力也就入门能开始做点东西了。