专栏《AI炼丹炉工程实践指南》由资深AI专家LeonWang撰写，旨在解决AI项目中的常见工程问题，如代码环境搭建、版本管理、计算优化等，帮助初、中级读者提升AI项目的工程能力。
最新分享，第一时间送达！
编辑： 王老湿 作者： Leon Wang 作者简介： 现为中科院特别研究助理 (博士后)，国内某软件行业领头企业 AI 部技术负责人，在 AI、数据科学和科学计算等方面相关的工程实践上积累了丰富的经验
随着深度学习框架以及云计算的普及，每隔一段时间就会被各种新出的算法刷爆朋友圈，比如之前的GAN、Bert、XLNet等，当我们想要去复现论文中的算法结果，或者打算将新算法落地去解决公司实际的业务问题时，这时候会遇到各种各样的问题，最常见的一个问题莫过于：代码环境或者代码版本不同，无法复现结果。这个问题往大了说其实就是工程问题。
由于我们大多数算法从业者其实所作的工作都是算法应用，也就是说使用已有的算法去解决实际的业务问题。想要完成这样的工作，工程能力必不可少。如果将AI中算法模型的训练比做炼丹的话，那么和算法模型相关的一些工程部分可以看作是炼丹炉。想要炼制一颗好用的丹药，没有一个好用的炼丹炉是万万不能的。
专栏介绍
针对上面的这些问题，王老湿邀请到了专栏作者 Leon Wang，作者现为中科院特别研究助理 (博士后)，国内某软件行业领头企业 AI 部技术负责人，在 AI、数据科学和科学计算等方面相关的工程实践上积累了丰富的经验，他将在接下来的这段时间里为大家带来专栏《AI炼丹炉工程实践指南》，这个专栏里的一部分内容就包含了上述问题的解决方案。
这个专栏主要针对AI项目经常遇到的项目代码运行中涉及到的众多工程问题，分门别类进行介绍和讲解。专栏主要面向对AI项目工程方法有一定问题的初级或中级读者。
整个专栏分为两部分：基础篇和进阶篇。
基础篇包括Linux，虚拟环境和Docker容器等AI项目经常所需要的工程基础，进阶篇主要从AI项目组织、计算速度优化、打包分发、流程管理以及R相关技术介绍等方面进行展开，以满足具备基本工程基础的读者的实际需要。
专栏目录
基础篇
论 AI 项目的工程素养
AI 项目的 Linux 命令基础
AI 项目的 Shell 脚本基础
AI 项目的虚拟环境（Python 篇）
AI 项目的虚拟环境（Conda 篇）
AI 项目的 Docker 技术
AI 项目的 Docker 技术（Nvidia-Docker）
桌面程序 Docker 化
AI 项目的 版本管理与协作
AI 项目的常用 Git 命令
数据科学家的 Jupyter 演示工具
比 PPT 更有范的 Slides 演示工具
VIM 为何能被成为编辑器之神
AI 项目中的常用 VIM 技巧
Python 相关的 VIM 配置和优化
多窗口管理神器 - Tmux
优雅的命令行环境 Oh-My-Zsh
优雅的命令行全家桶方案
进阶篇
AI 工程项目的目录结构（Tensoflow篇）
AI 工程项目的目录结构（Pytorch篇）
通用的Python项目目录结构模板库cookiecutter
Python 速度优化之避免 for 循环
Python 速度优化之并行化
好车需要好轮子 —— Python中的wheel包
Cython 简介
Cython 语法介绍
Cython 实战与后续学习方法
发布自己第一个 AI 包（PyPI 篇）
发布自己第一个 AI 包（Conda 篇）
制作自己第一个 AI 命令行程序
AI 项目的全流程管理
R 下的数据科学与 AI 相关功能简介
R 下的深度学习框架
Rmarkdown 简介
用 R 制作酷炫的幻灯片
开发 R 包的利器devtools
R 代码如何避免 for
R 的并行化
RCPP 简介
R 与 Python 的工具箱对比
交流学习
为了方便大家更好地与作者进行沟通交流，为此王老湿针对《AI炼丹炉工程实践指南》这个专栏成立了微信读者交流群，我会邀请专栏的作者 Leon Wang 坐镇交流群，大家想近距离与作者沟通，都可以来加入。
加入方式：扫描下方王老湿的微信二维码，添加微信，王老湿来邀请你加入交流群。
由于后续会有多个专栏发布，为了避免加错交流群，所以想要加入这个专栏的交流群时一定要备注：AI炼丹炉。
（完）
历史推荐
人人都是数据分析师，人人都能玩转Pandas | Numpy 精品系列教程汇总 | 我是如何入门机器学习的呢 | 谷歌机器学习43条黄金法则
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
