灵魂拷问:机器学习、深度学习专业已经沦为调包专业了吗?

从学生项目到工程实践:手把手教你用ATE测试电源芯片的Rdson与漏电流 本文详细介绍了如何将学术级的电源芯片测试方案转化为工业级解决方案,重点讲解使用ATE设备测试Rdson(导通电阻)和漏电流的关键技术。从设备选型、测试夹具设计到量产环境下的工程化实现,提供了实用的优化技巧和常见问题解决方案,帮助工程师提升测试效率和精度。 阅读详情

有硕士同学问:小弟现在正在高校读硕士,目前跟着导师做自然语言处理的研究,虽说听起来高大上,但是做过的都知道,例如深度学习框架跑起来就是各种调包,运气好凑个模型出来发发论文,技术含量就比较稀少了,感觉现在的工作随便找个由点编程经验的培训一下就能上手了。

所谓外练筋骨皮,内练一口气,想请教一下各位大佬:你认为计算机专业真正的价值在哪呢?把编程部分剔除之后,计算机真正该研究的是什么呢?它的气又在哪儿?

本文来源:知乎

回答一

作者:演奏代码的程序媛
链接:https://www.zhihu.com/question/327494084/answer/1641774776

目前来看,起码在计算机视觉和自然语言处理领域确实是这样。

深度学习当前最主要的两个应用也就是计算机视觉和自然语言处理。

其一,这两个领域在专家们搞不清楚内部原理的情况下,就用不断堆叠的网络层数已经颠覆了传统算法。

对于论文作者来说,你又说不出个具体原理,大家凭什么相信你的这个结构能达到自己论文说的精度?只能发论文的时候开源代码,留给大众检验。看当前深度学习论文有没有用,先得看他敢不敢开源。

所以,现在大多数好用的深度学习算法都开源,包括目标检测的rcnn系列,yolo系列,ssd等。

其二,也正因为说不出什么道理,真正深入研究各种深度学习算法和网络结构的大牛,要不通过实验室里强大的计算资源来试凑各种有效的框架(非常烧钱)——比如谷歌提出的inception系列网络结构就是试出来的;

要不就是凭借对深度学习的深刻理解和强大的创新能力,提出了新颖的深度学习算法——比如提出反向传播和玻尔兹曼机的Hinton,以及提出卷积神经网络和将深度学习引入图像识别的Yann LeCun(这里说的提出不是拍脑袋一想就瞎说的,人家是靠数学硬生生推导出来的),这种天才百年难遇。

而工业界又需要借助人工智能的东风提高自己公司的竞争力。但是大多数公司却没有能力自己设计好用的网络结构和算法,只能照着大牛的论文来包装。不会改只会用,这样就造成了算法少、需求多的局面。现在大牛提出的很多著名的深度学习算法,基本都被实现遍了。

其三,当前深度学习程序普遍用Python语言编写,Python以包多、调包方便而闻名,在机器学习方面有著名的scikit-learn包,在数据处理方面有Pandas、图像处理有skimage、pillow等,更别说主流的深度学习框架Tensorflow、Pytorch、keras等都主要运行在python下,copy别人的代码复用简单,只要你能找得到。

所以。在以上三个原因结合之下,目前起码在这两个领域,整个工业界都是在调包、调参。

做一个小的比喻:目前深度学习好比做中餐,师傅(论文作者)告诉你做包子要加入适当的盐、大料、味精。虽然你不明白这个适当到底是多少,但是他顺带给你把馅儿和皮儿都准备齐全了,你需要做的就是按照自己的喜好把包子形状捏一下。

再说说人才供求方面,目前做自然语言处理和图像处理的,对应于企业的岗位是「算法工程师」。通过前边所述,目前这个听起来高大上的「算法工程师」,其实技术含量并不比开发高多少(甚至只会更低),学学吴恩达的课,就自称算法工程师的不在少数。

但是目前大多数公司给的岗位工资比开发还高不少。

长久来看,只会调包肯定是没有竞争力的,当大量「调包侠」涌入这个行业,挤掉行业泡沫的时候,算法工程师这个职位总会洗去铅华,做一些更有难度和挑战性的工作。

对于有志于未来进入这个行业的学生来说,我的建议有两条路:

  1. 对于以后想做语音识别和计算机视觉的同学来说:

为了完成工作可以调包,但是趁着现在有大量的时间,最好可以自己亲手实现一下主流的算法(虽然这个过程比较难),一来提高自己的动手编能力,二来深入理解算法设计思想,实在不行以后做开发也用的到编程能力。

  1. 对于以后没有明确目标,只想从事人工智能的同学来说:

建议了解一下强化学习相关内容。强化学习算法才有可能制造出真正的人工智能,alpha go下围棋那么厉害,起决定性作用的决策算法也是采用了强化学习的思想,更重要的是,强化学习算法对于数学要求更高,进入门槛也更高。

回答二

作者:霍华德
链接:https://www.zhihu.com/question/327494084/answer/721135096
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

我想你可能做了虚假的AI,虚假的AI有以下特点:

  • 从不自己收集、处理、清洗、标注数据,而是找一个现有的数据集,疯狂 过拟合数据集。

  • 科研idea主要来自于各种模块的花式排列组合,包含但不限于:各种CNN,各种RNN,各种attention,各种transformer,各种dropout,各种batchNorm,各种激活函数,各种loss function

  • 而不是从实际问题和自然语言的现有挑战出发来思考idea

  • 总是指望靠一个算法、一个模型可以解决所有问题

想做好真实AI,必须:

  • 不断反馈,分析,改进。据说谷歌的搜索质量负责人Amit Singhal博士每天要看20个以上的不好搜索结果,然后持续不断的迭代改进。

  • 面对真实环境中获取数据难,数据标注成本高,数据脏难清洗等问题

  • 从实际问题和自然语言的现有挑战出发,设计针对问题最适合合理有效的模型

  • 从不指望一个算法和问题可以解决所有问题,所有遇到的问题会做出合理的分析和拆解,针对各个难点设计最优解决算法,各个击破。

回答三

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

我当年读博的时候,机器学习和自然语言处理的好用开源软件很少,新发表论文也没有开源代码的习惯,复现别人工作总是最费时、费神、折磨人的环节。从那个时期过来的,我觉得现在开源之风大盛,能让大家方便地站在巨人肩膀上登高望远,是多么幸福的事情。

所以,在工具成熟之后,就给人更多选择的可能性,有的人满足于熟练使用现有工具,有的人致力于更好地做创新研究,各取所需而已。这就像微软等软件企业,致力于研制改进各类软件工具,而更多的人使用这些工具,整个生态就是这样慢慢成熟起来。相信未来机器学习领域也会慢慢诞生微软这样的企业,有人研制,有人使用。

回答四

作者:万盛中路摇滚乐队
链接:https://www.zhihu.com/question/327494084/answer/702810200

调参是 ML 这一领域不可避免的,但 ML 并不只是调参。

学习 ML 这一方向,最重要的,个人认为是搞懂基本数学原理。尤其是在当前各种包极大丰富的情况下。

就比如线性回归,你需要搞懂,数学公式当中,哪些部分是学习出来的,哪些部分是固定的,每一部分的“物理意义”是什么,一个公式里面,绝不会有无缘无故多出来的东西,每个东西都有其存在的意义。

然后才是尝试去写代码,比如要实现一个线性回归,你会怎么实现(这个可以看现有包的源代码)。进而可以推广到其他的模型方法。

你是做 NLP 的,那你应该至少会看 ACL / EMNLP / NAACL / COLING 的文章吧。找到自己感兴趣的文章,反复阅读。

看文章的重点在于,

  1. 搞清楚文章要解决什么问题。

  2. 当前这个问题存在的现状是什么样的,为什么会存在,现有的解决方法是什么。

  3. 现有解决方法的不足是什么。

  4. 作者提出的解决方法是基于什么思想,这一步非常重要。

  5. 作者的模型是怎么做的。

从我的学习经历来看,这其中,5可能是最不重要的。而搞清楚 4 直接可以推出各种不同的5。我之前有实验室的哥们,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行代码,效果提升了20%。

如果你对机器学习还是很有热情的,那你可以多专心思考一下机器学习当中一些脱离了编码的本质问题。多看论文,多写代码,写一些脱离了现有包的代码。这有助于你培养很好的问题分析 insight。

如果你对机器学习感到绝望,请像我一样,转方向吧。之所以感到绝望,是因为穷,买不起显卡。

参考

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

SRAM compiler中 Number of banks 设置 的值时,需要考虑应用的性能需求、功耗要求和面积限制。设计者应根据具体的应用场景选择合适的bank数量,以优化整体系统性能。bank是一种用于分离存储器访问的设计结构,允许同时对不同的存储区域进行读写操作,从而提高存储器的并发访问性能。选项用于指定 SRAM 存储器的 并发存储区域。在 SRAM 编译器中, 阅读详情

相关推荐

linux离线安装nginx

linux离线安装nginx

zhang_130914036的博客 9353

怎么做好一个深度学习调包侠

1、到底是选择Adam还是SGD优化器 选Adam的好处 Adam傻瓜式,可以无视学习率 -- 收敛速度快 选SGD的好处 SGD适合要求高的模型 -- 精度高 -- 一般从一个较大的学习率进行训练 最优选择:Adam+SGD -- 可以先用Adam粗调,然后使用SGD精调 2、Momentum优化器也有很大作用 面对小而连续的梯度但是含有很多噪声的时候,最先使用这个 -...

yangzixuan_0608的博客 1080

详细对比模型训练和模型精调

当我们进行模型精调(Fine-Tuning)和模型训练时,我们需要考虑到不同的步骤和目标。

pumpkin84514的博客 1853

统计回归、机器学习、集成学习以及深度学习共26种方法python代码实现

将DT模型中的DecisionTreeRegressor替换为CascadeForestRegressor即可,记得先pip install deepforest。将DT模型中的DecisionTreeRegressor替换为CatBoostRegressor即可,记得先pip install catboost。将DT模型中的DecisionTreeRegressor替换为LGBMRegressor即可,记得先pip install lightgbm。将RNN中SimpleRNN改为LSTM即可。

JamesHuaZai的博客 1089

引入 CloudWeGo 后飞书管理后台平台化改造的演进史

飞书管理后台是飞书套件专为企业管理员提供的信息管理平台,它通过引入 Kitex 泛化调用对飞书管理后台进行平台化改造,成为了企业统一数字化管理平台。本文将从三个方面为大家讲解 Kitex 泛化调用在飞书管理后台平台化改造过程中的落地实践。...

weixin_44186218的博客 1767

三. zemax光学设计流程+案例

文章目录zemax 基本操作:1. 建立光学基本模型2. 像质评价3. 优化(重点)4. 公差分析简单镜头设计 zemax 基本操作: 1. 建立光学基本模型 2. 像质评价 3. 优化(重点) 对系统设定的约束条件或目标值 统称为操作数。 操作数: 光学特性参数(焦距EFFL,近轴放大率PMAG,入瞳位置EMPP) 像差参数(球差SPHA,彗差COMA,像散ASTI) 边界条件(中心厚度值CTVA,边缘厚度值ETAV) 优化的主要步骤: 设置评价函数和优化操作数 一般小像差系统采用波像差 构建

Taiiiii的博客 8060

机器学习-kmeans-调包和手写源代码

聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程,聚类就是一种发现这种内在结构的技术,聚类技术经常被称为无监督学习。k均值聚类是最著名的划分聚类算法,由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k,k由用户指定,k均值算法根据某个距离函数反复把数据分入k个聚类中。KMeans算法通过试着将样本分离到 个方差相等的组中来对数据进行聚类,从而最小化目标函数 (见下文)。该算法要求指定集群的数量。

guguo666的博客 1100

[TI板]MSPM0G3507——keil环境配置+烧录配置+vscode配置+空工程迁移+点灯+芯片解锁教程

本文介绍了MSPM0G3507开发环境的配置与烧录方法。主要内容包括:1)下载安装芯片支持包和SDK开发工具;2)通过串口或DAPLink两种方式实现程序烧录,详细说明了UniFlash软件的使用步骤和常见问题解决方法;3)简要提及工程迁移和LED点灯等基础操作。文章提供了完整的开发环境搭建指南,涵盖从软件安装到实际烧录的全过程,并附有相关工具下载链接和操作截图,帮助开发者快速上手MSPM0G3507开发。

qq_23220445的博客 1万+

Python机器学习:sklearn调包建模

sklearn调包建模、预测结果的输出、AUC的计算

Sukey666666的博客 786

RT-DETR算法优化改进:DCNv4更快收敛、更高速度、更高性能,效果秒杀DCNv3、DCNv2等 ,助力检测

DCNv4更快收敛、更高速度、更高性能,完美和RT-DETR结合,助力涨点

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1323

YOLOv8 交通管理三大核心功能 —— 二、违章检测系统 详细解释及代码完整示例

YOLOv8交通违章检测系统

u010117029的博客 503

还在被大妈灵魂拷问?使用Python轻松完成垃圾分类!

目录 0 环境 1 引言 2 思路 3 图像分类 4 总结 0 环境 Python版本:3.6.8 系统版本:macOS Mojave Python Jupyter Notebook 1 引言 七月了,大家最近一定被一项新的政策给折磨的焦头烂额,那就是垃圾分类。《上海市生活垃圾管理条例》已经正式实施了,相信还是有很多的小伙伴和我一样,还没有完全搞清楚哪些应该扔在哪个类别里。感觉每天都在学习一遍垃...

Python专栏 9845

UCIE Specification详解(二)

UCIe架构概述。

Crazzy_M的博客 3316

深度学习博士发出灵魂拷问:我是在做算法还是在调参?

转自:新智元最近Reddit上有一个帖子又火了!一个小哥读了博,并且还是最火的深度学习博士,主要研究领域为计算机视觉和自然语言处理,但他每天却都很苦恼,感觉自己不是在做科研,而是在做工程...

AI蜗牛车 403

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

【灵魂拷问】你用过最好用的AI工具有哪些?

AI工具已经成为我们生活中不可或缺的一部分,它们为我们提供了便利、高效的解决方案。我们要积极拥抱AI技术,充分利用AI工具,提高生活和工作效率,创造更加美好的未来。

走向CTO的路上... 916

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

告别大妈的灵魂拷问,Python 教你轻松完成垃圾分类!

作者 | 上海小胖 责编 | 伍杏玲 七月了,大家最近一定被一项新的政策给折磨得焦头烂额,那就是垃圾分类。《上海市生活垃圾管理条例》已经正式实施了,相信还是有很多的小伙伴和我一样,还没有完全搞清楚哪些应该扔在哪个类别里。感觉每天都在学习一遍垃圾分类,真令人头大。 听说一杯没有喝完的珍珠奶茶应该这么扔: 1、首先,没喝完的奶茶水要倒在水池里 2、珍珠,水果肉等残渣放进湿垃圾...

优快云资讯 1760

漫画:JVM 灵魂拷问“你是什么垃圾?”

作者 | iMononoke本文经授权转载自码个蛋(ID:codeegg)GC是啥?GC是一种自动的存储管理机制。当一些被占用的内存不再需要时,就应该予以释放。这种存储资...

程序人生的博客 1277

还在被大妈灵魂拷问?使用Python轻松完成垃圾分类

目录 0 环境 1 引言 2 思路 3 图像分类 4 总结 0 环境 Python版本:3.6.8 系统版本:macOS Mojave Python Jupyter Notebook 1 引言 七月了,大家最近一定被一项新的政策给折磨的焦头烂额,那就是垃圾分类。《上海市生活垃圾管理条例》已经正式实施了,相信还是有很多的小伙伴和我一样,还没有完全搞清楚哪些...

weixin_45249120的博客 335
上一篇: Python 之父爆料:明年至少令 Python 提速 1 倍!
下一篇: Transformer 原理讲解以及在 CV 领域的应用
机器学习算法那些事
博客等级 码龄9年 1633粉丝 62原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值