[[200338]]

對于深度學習，我也是一個初學者，這篇文章只是我的個人想法，能力有限，所以對不對，不好說，但的確是我現在的真實想法，我也會按這個思路去嘗試。請大家帶著質疑精神去讀吧。

一

我大概是一個好奇心很重的人，所以每次有新的技術出來，我都會在***時間跟進。但我又是一個記性不太好的人，大部分研究過的新技術，因為沒有天天用，很快又都忘掉了。

深度學習剛開始流行的時候，我就做過簡單的學習。當時我的結論是短期內，深度學習只能在***能徘徊，很難進展到強智能。

這個結論在今天看來，也不算過時。但真正被深度學習給 Shock 到，是去年和某教育 APP 的 CEO 同學聊天。他告訴我，在教育這個垂直領域，他們的語音識別率已經比訊飛要高了，依賴于大量的數據;更 NB 的是，加上 NLP，他們的 AI 已經可以幫老師改主觀題了。主觀題啊，就是數學的問答題，語文的作文。

這讓我開始重新思考***能。

二

完全依靠強智能的應用場景，會產生很多問題。比如自動駕駛，要想在中國這種各種奇葩狀況層出不窮的交通環境下運行，一時半會兒是不行。即使是一個看起來簡單的問答機器人，也沒一家真正做好，你多問 siri 幾句，她很快就暈了。

經常關注我微博同學會知道，我最喜歡說的一句話就是：「能自動化的，要自動化;不能自動化的，要半自動化」。

在人工智能上，這個法則似乎依然是有效的。既然現在強智能還不夠強，那么為什么我們不用***能+人工確認的方式，來實現「半智能化」呢：用機器幫你做預選，你來做最終選擇，雖然依然包含了人工干預，但卻可以把生產效率提升幾十倍。

三

有同學和我說，找不到應用深度學習的場景，這是因為太執著于強智能，想讓機器獨立處理所有事情;如果使用「半自動化」的思路，你會發現遍地都是場景。

最典型的場景就是「按需求進行組合搭配」。拿今天正式上線的小程序舉例子吧，小程序在框架層上，將功能分隔到了page 的粒度，這使得小程序的組件會很好的被重用;而在設計上，小程序提供了統一的官方指導風格，所以不會出現太多個性化的東西。

我需要一個用戶資料管理， xpm install user-profile;我需要動態 Feed 流，xpm install feed-timeline 。

然后這貨就喊著要去做，還在 GitHub 上開了個坑，據說 SDK 已經寫完，安裝器年前能開始內測。https://git.oschina.net/xpmjs/xpm

然后我告訴他，你得趕緊做，從長遠看，通用應用***是不太值錢的，因為很快就有開源項目把它做得很好。真正值錢的是，下沉到行業里邊的應用。比如說吧，同樣是用戶資料頁，房地產行業的、獵頭行業的以及技術社區的會完全不一樣。但區別也就是添加幾個行業特定的字段而已。 大量的「二次開發」工作，才是最為瑣碎又最為掙錢的。

這就是典型的可以用上深度學習的場景。通過抓取對應行業的 H5 頁面，我們很快就可以把各個行業需要哪些可能的字段給整理出來，然后把這些交給機器進行學習，當再有新的需求進來的時候，機器就可以自動配好預設字段。機器會出錯么?當然。但哪怕是80%的準確率，也已經可以節省掉好幾個程序員了。

為什么我要學深度學習? 因為這背后是 TM 白花花的銀子。

四

這是近在眼前的機會，我再說個遠點的。大家知道，日本人的科技樹一般都不按套路長。早稻田大學一心想把深度學習用在二次元上，他們先是搞了個項目給黑白畫稿上色;后來又發了篇論文給草稿描線。我覺得很快，他們就要開始學習漫畫大家的畫風，通過線稿生成原稿了[[200339]] 

「傳統」的日漫或許很難由機器生產，但現在社交網絡上大量生產的「條漫」卻對畫質要求不高。尤其是四格類的，經常關注我的同學應該看過我用 Comipo!軟件「繪制」的四格漫畫。( http://zhijia.io/anthology/101869 ) 當機器參與進來后，根據腳本生成這種品質的漫畫簡直易如反掌。到時候，人人都能過上1%的生活。

為什么我要學習深度學習?因為我要讓未來早點來。

五

上周我發了條微博，說2017年要自學深度學習，有過千的同學表示愿意一起來學。

也有同學表示，機器學習不是那么好學的。其實細心的同學會發現，我一直說的是「深度學習」而不是「機器學習」。

因為我的目的很簡單，那就是用。在學習***年，我給自己定的目標不是要理解「機器學習」的原理，而是要把「深度學習」用到自己產品的方方面面。

用以致學，是我一貫的學習方式。剛開始不理解沒關系，先用起來。需要理解的時候，再慢慢理解。說到底，也沒多少人理解自己手機每一部分的工作原理不是。

先學「深度學習」還有一個好處，那就是不用太多「機器學習」的基礎。能把tensorflow、kears 這種開源框架搭起來，然后喂數據，然后看結果。等到優化的時候再去補知識點。

因為深度學習更像是一個黑盒子，現在很多專門搞深度學習的同學也說不清楚為什么要建三個層、要放四個節點;什么情況下用什么激活函數。只說通過實踐+觀察數據慢慢調整。這簡直就是新手上路的***切入點嘛。

如果不想在本地搭建環境，AWS 上已經有可以用的鏡像，基于 API 的深度學習服務也日益增多。這東西就像水電氣一樣，用比學重要。

也有同學嚴謹的指出，很多場合下，機器學習的其他方法遠比深度學習有效。他們是對的，如果說學好整個機器學習，可以做到90分;那么光用深度學習，可能只有70分。

但現在絕大部分的程序，連 TM 一點智能都還沒用上呢。從零分到70分，只需要把深度學習用起來。

為什么我要學習深度學習，因為這 TM的性價比太高。