馬毅人工智慧

① 互聯網企業究竟如何校招

夏末秋初，年復一年，距離新一季校園招聘的拉開大幕已有些日子。可以肯定，與去年一樣，被這個時代聚光籠罩的互聯網行業，依舊是不少莘莘學子踏出校門的不二之選——智聯招聘發布的《2016年應屆畢業生就業力調研報告》顯示，去年近三成畢業生進入互聯網行業（後者平均月薪也最高），當所謂「互聯網+」有如圍城一般嫁接著那些「傳統」與「新貴」，對人才的渴求只會更旺。

時至今日，沒人會忽視人才之於一家企業——尤其處於外部環境劇烈變動的互聯網企業的地位高企。與工業時代資本之於資源分配的地位不同，人與公司的位置正在發生迅速反轉，正如吳軍先生所言：「今天全世界最值錢的，最創造價值的企業都是輕資產的——企業價值體現在它所擁有的人。蓋茨曾經講，即使微軟全部的大樓和看得見的資產都被拿走或者毀掉，只要人在，很快就能東山再起。」

也因如此，當媒體在描述那些備受尊敬的企業運營策略時，花多少心血用於招聘是個日趨代表正確的決策，谷歌首席人才官拉斯洛·博克在《重新定義團隊》中就寫道：他們把人力資源費用集中用在招聘而非培訓上，因為一個最優的人才能勝過300個普通人。

尤其是那些優秀的年輕人。誰都知道，在置身於時代前沿的互聯網行業，年輕人腦中的新銳想法即是資本本身，而所謂「白紙一張」的反面，在優秀的僱主看來，實則意味著更強的可塑性和忠誠度。

當然了，任何一類群體，優質人才都有著的稀缺性。良禽擇木而棲，對互聯網僱主來說，校招可謂一場全無硝煙的戰爭——就像他們在商業競爭中的常態，誠意與技巧同樣適用於對優質校招生的爭奪，而企業基因的差異，讓他們有著不一樣的招聘風格。

今天就來說說科技巨頭們校招這件事。

左手情懷，右手娛樂

談及企業與學生的第一次親密接觸，宣講是必不可失的一環。長久以來，宣講已被企業摸索出一條行之有效的通路，美國《大西洋月刊》撰稿人路易斯·切斯洛就曾指出：通常情況下，科技企業一開始會講他們的「創業故事」，讓聽眾重新回到那個艱苦年代，然後一般會闡述自己的「成長史」，談談公司的擴張腳步。

對於有著良好口碑的科技巨頭，上述路徑無疑頗具感召力。譬如，華為今年校招主題即是「勇敢新世界」，作為一家受人尊敬的本土企業，他們為校招拍攝的微電影情懷滿滿，而宣講內容上，二十餘年從跟隨者成為ICT行業領導者的故事，對學生們而言無疑非常受用。

而感召同樣可以來自創始人的故事和寄語。不久前，今日頭條張一鳴寫的一篇《我遇到的優秀年輕人的5個特質》在朋友圈刷屏，他從個人經歷談到了其眼中優秀年輕人的特質——也間接表述了今日頭條對學生的期許，讀來「導師范兒」十足。

當然，除了「情懷」，深諳年輕人網路話語體系的互聯網品牌，同樣會以刻意「討好」的方式博得校招生注意。譬如，網易就為2017校招特意改編了一首名為《浙江杭州網易互聯網招聘了》的神曲，鬼畜風格引來刷屏式的傳播效果，在情懷當道的校招市場，以一種另類方式博得受眾眼球。

同樣深諳此道的還有滴滴。拉勾網CEO馬德龍指出，今年校招市場，美團點評和滴滴這樣的獨角獸同樣受到青睞。而將今年校招主題定為「定義下一個未來」的滴滴，也製作了一首魔性十足的視頻，並將公司願景等「套路」內容融入視頻的歡快之中，也算頗為討巧。

總之，一手情懷，一手娛樂，是不少互聯網企業招攬學生的兩大利器。

網路：技術驅動，價值先行

當然了，談及校招，對學生們而言最誘人的名字無疑是BAT，媒體也願將更多筆墨揮灑到他們的薪資待遇中，而容易被忽視的是，其實他們的校招方式往往更富有層次。

先看B，今年校招爭奪戰中，網路可謂是三家中出拳最立體也最精準的一個。一方面，網路今年繼續加強了技術驅動的務實作風，相比其他企業更多對於感性層面的訴諸，網路更強調用技術實力說話，在各地的校園宣講中對人工智慧、語音合成、自然語言處理、無人車等前沿技術進行了詳細展示，技術領域的「大秀肌肉」和人才培養的不遺餘力，無疑是籠絡優秀技術人才的絕佳手段。

除了對技術信仰的「佈道」，網路今年還在企業文化吸引力上卯足了功夫。這一點從網路的品牌調性塑造上就可見一斑，今年網路將校招主題定義為「在這里，做自己」顯然契合了90後群體表達自我、彰顯個性的心理，而在校招過程中，網路也尤為注重對用戶需求的滿足，比如站在學生的視角進行宣講，邀請師哥師姐分享網路故事，在微博微信平台實時答疑等等，更讓人眼前一亮的是網路校招今年還推出了不少多變但務實的新玩法，比如迎合年輕群體觀看習慣的「直播面試」活動，首次直播就吸引了20萬人在線觀看，在幫助求職者提前了解面試流程和企業文化的同時，也向外界傳遞出網路對人才招納的開放態度。

再如網路在今年筆面試環節增加「文化價值觀測試」，通過真實場景還原和開放性的試題，讓求職者在選擇中更好地了解自身特點、評估自己是否喜歡和適應網路的工作。測試後發放的趣味漫畫網路「文化價值觀秘籍」，完全顛覆了企業文化教條口號式的宣傳桎梏，把目光轉向尋求求職者內心的真正認同，事實上，「簡單，可依賴」的網路文化和充滿校園氣質的工作環境也確實引發了畢業生們的集體共鳴。顯然，這種求同存異、雙向選擇的招聘形式博得了不少90後求職者的好感，價值先行的做法也在很大程度上降低了企業「試錯」的成本。

「務實」的阿里與「產品經理」騰訊

再來看看阿里。

我個人覺得，在BAT今年校園招聘中，某種程度上阿里或許是最「務實」的一個。

由於集團人才戰略調整，從去年開始，阿里巴巴校招就本著更為嚴格的「優中選優」原則——尤其到了招聘季，你經常能在網上看到如游戲闖關一般的「阿里巴巴招聘攻略」。早在今年7月中旬，阿里巴巴就宣布啟動2017秋招，將「非凡人做非凡事」定位為人才戰略的阿里，今年校招仍舊選擇「優中選優」的原則——誰都知道，阿里校招的筆試題頗為艱難（我就看到知乎上不少人都在討論），而據阿里校招負責人定凈介紹，今年的筆試題會比往年更難，還將引入人臉識別技術來防止作弊。總之，「務實」的阿里在甄別未來精英的人選上，確實費了不少功夫。

最後來說說騰訊。

相比於網路的「立體」與阿里的「務實」，倘若歸納騰訊今年校園招聘的關鍵詞，也許就是：「產品」。用騰訊僱主品牌負責人馬毅的話說，鵝廠是在「用產品思維做校招」。

舉個例子，誰都知道用戶參與之於產品的重要意涵，而騰訊同樣將這種參與度擱置在了招聘上，譬如，騰訊在大概30多個目標院校建立了微信群，擁有一個完整的運營團隊，深入每個微信群了解學生說了什麼，並及時反饋，做戰略上的調整。除此之外，馬毅介紹：「我們還做了一款APP叫『有聊』，就是一個公司內和公司外的人的問答交互平台。所有參加鵝廠校招的人下了這個APP提的問題，內部員工會對問題做定點回答，這個成本比較高，但是效果應該會不錯。」

產品思維同樣體現在內容製作。事實上，在BAT中「娛樂屬性」相對最重的騰訊，也將娛樂精神用在了校招上。8月23日，騰訊2017校園招聘在線宣講會「鵝廠wo談會」開播。這個從2014年起就推出的節目完成了新的迭代，每期邀請騰訊代表嘉賓分享學生們感興趣的擇業成長話題，主要聚焦大學生在求職過程中關注的職業成長，公司文化福利，如何准備面試，人生選擇等話題。

可以肯定，騰訊用於招聘的產品思維，同樣能在很大程度上讓其僱主品牌更為清晰。

做最好的自己

總之，無論BAT，還是其他科技企業，一切招聘方式指向一點：對於人才的渴求與重視，以及助其成長的平台精神。智聯招聘發布的《2016年應屆畢業生就業力調研報告》顯示：工作的意涵正趨向多元，接受調查的應屆畢業生中，62.6%的學生選「掙錢」，但希望通過工作「成就自己的事業」同樣佔到 71%。

職場新人迫切希望通過工作獲得成長，而困擾不少學生的一個問題是：加入發展初期的中小企業以謀得更快成長速度？還是加入鎂光燈下的巨頭，換得更大的價值感？事實上，這個問題絕非二元對立。就像《移動風暴》一書中對谷歌的描述：「谷歌就像是個大學校園，這也正是它希望傳遞的感覺，谷歌的成功源於從頂級院校招聘來的工程師的素質。谷歌希望讓他們感覺自己從未離開過學校，以便始終保持好奇心，永遠創新，而不是像其他公司那樣，覺得自己加入了刻板的海軍陸戰隊。」

事實上，矽谷的真正秘密正是在於它的以人為本，正如里德·霍夫曼在《聯盟》中所言：我們早已告別終身僱傭制時代，新型忠誠觀需要管理者和員工相互信任，相互投資，共同受益——這也意味著，企業與員工正在從所謂「僱傭」逐漸走向「彼此共振」的聯盟關系。在這種關系裡，員工，尤其初出校園的年輕人，他們的真正使命其實真的只有一條：做最好的自己。

李北辰/文（知名科技自媒體，致力於為您提供文字優雅的原創科技文章；微信公號：李北辰）

② 機器學習書籍選擇

機器學習
機器學習 by 周志華: 周志華老師的這本書非常適合作為機器學習入門的書籍，書中的例子十分形象且簡單易懂。
統計機器學習 by 李航：李航老師的這本書偏優化和推倒，推倒相應演算法的時候可以參考這本書。
PRML by Christopher Bishop: PRML這本書有點偏Bayesian了，初學者看起來可能有些困難，可以和前兩本結合起來看。
GPCA by Yi Ma: 這本書由馬毅老師耗時十年精心打造，推薦閱讀。
Machine Learning A Probabilistic Perspective Learning by Kevin P. Murphy: MLAPP這本書也是一本比較經典的機器學習書，可以和PRML互相補充著來看。

自然語言處理
數學之美 by 吳軍：吳軍老師的這本書適合作為入門自然語言處理的科普讀物。
統計自然語言處理 by 宗成慶：中文版的自然語言處理圖書是比較少的，這本書由中科院宗成慶老師所寫，推薦初學者先閱讀此書。
Foundations of Statistical Natural Language Processing by Christopher D. Manning: 本書由Manning大神所寫，在1999年出版，最近比較火的Deep Learning for NLP沒有涉及，不過可以參考他的學生Socher開的這門課 CS 224N / Ling 284。
Speech and Language Processing by Dan Jurafsky: 這本書第三版已經更新一部分章節了，書中介紹了deep learning for nlp方面的技術，推薦閱讀。

③ 如何用FPGA加速卷積神經網路

深度學習本身是一個非常龐大的知識體系。本文更多想從程序員的視角出發，讓大家觀察一下深度學習對程序員意味著什麼，以及我們如何利用這樣一個高速發展的學科，來幫助程序員提升軟體開發的能力。
本文根據費良宏在2016QCon全球軟體開發大會（上海）上的演講整理而成。
前言
1973年，美國上映了一部熱門的科幻電影《WestWorld》，三年之後又有一個續集叫做《FutureWorld》。這部電影在80年代初被引進到中國叫《未來世界》。那部電影對我來講簡直可以說得上是震撼。影片中出現了很多機器人，表情豐富的面部下面都是集成電路板。這讓那時候的我覺得未來世界都是那麼遙遠、那麼神秘。
時間到了2016年，很多朋友可能都在追看HBO斥巨資拍攝的同一題材的系列劇《WestWorld》。如果前兩部電影還是局限在機器人、人工智慧這樣的話題，2016年的新劇則在劇情和人工智慧的思考方面有了很大的突破。不再渲染機器人是否會威脅到人類，而是在探討「Dreamsaremainlymemories」這一類更具哲理的問題。
「記憶究竟如何影響了智能」這個話題非常值得我們去思考，也給我們一個很好的啟示——今天，人工智慧領域究竟有了怎樣的發展和進步。
今天我們探討的話題不僅僅是簡單的人工智慧。如果大家對深度學習感興趣，我相信各位一定會在搜索引擎上搜索過類似相關的關鍵字。我在Google上以deeplearning作為關鍵字得到了2,630萬個搜索的結果。這個數字比一周之前足足多出了300多萬的結果。這個數字足以看得出來深度學習相關的內容發展的速度，人們對深度學習的關注也越來越高。
從另外的一個角度，我想讓大家看看深度學習在市場上究竟有多麼熱門。從2011年到現在一共有140多家專注人工智慧、深度學習相關的創業公司被收購。僅僅在2016年這種並購就發生了40多起。
其中最瘋狂的是就是Google，已經收購了 11 家人工智慧創業公司，其中最有名的就是擊敗了李世石九段的 DeepMind。排名之後的就要數 Apple、Intel以及Twitter。以Intel 公司為例，僅在今年就已經收購了 3 家創業公司，Itseez、Nervana 和 Movidius。這一系列大手筆的並購為了布局人工智慧以及深度學習的領域。
當我們去搜索深度學習話題的時候，經常會看到這樣的一些晦澀難懂的術語：Gradient descent（梯度下降演算法）、Backpropagation（反向傳播演算法）、Convolutional Neural Network（卷積神經網路）、受限玻耳茲曼機（Restricted Boltzmann Machine）等。
如打開任何一篇技術文章，你看到的通篇都是各種數學公式。大家看到如下左邊的圖，其實並不是一篇高水準的學術論文，而僅僅是維基網路關於玻耳茲曼機的介紹。維基網路是科普層面的內容，內容復雜程度就超過了大多數數學知識的能力。
在這樣的背景之下，我今天的的話題可以歸納成三點：第一，我們為什麼要學習深度學習；第二，深度學習最核心的關鍵概念就是神經網路，那麼究竟什麼是神經網路；第三，作為程序員，當我們想要成為深度學習開發者的時候，我們需要具備怎樣的工具箱，以及從哪裡著手進行開發。
為什麼要學習深度學習
首先，我們談談為什麼要學習深度學習。在這個市場當中，最不缺乏的就是各種概念以及各種時髦新技術的詞彙。深度學習有什麼不一樣的地方？我非常喜歡AndrewNg（吳恩達）曾經用過的一個比喻。
他把深度學習比喻成一個火箭。這個火箭有一個最重要的部分，就是它的引擎，目前來看在這個領域裡面，引擎的核心就是神經網路。大家都知道，火箭除了引擎之外還需要有燃料，那麼大數據其實就構成了整個火箭另外的重要組成部分——燃料。以往我們談到大數據的時候，更多是強調存儲和管理數據的能力，但是這些方法和工具更多是對於以往歷史數據的統計、匯總。
而對於今後未知的東西，這些傳統的方法並不能夠幫助我們可以從大數據中得出預測的結論。如果考慮到神經網路和大數據結合，我們才可能看清楚大數據真正的價值和意義。AndrewNg就曾經說過「我們相信（神經網路代表的深度學習）是讓我們獲得最接近於人工智慧的捷徑」。這就是我們要學習深度學習的一個最重要的原因。
其次，隨著我們進行數據處理以及運算能力的不斷提升，深度學習所代表的人工智慧技術和傳統意義上人工智慧技術比較起來，在性能上有了突飛猛進的發展。這主要得益於在過去幾十間計算機和相關產業不斷發展帶來的成果。在人工智慧的領域，性能是我們選擇深度學習另一個重要的原因。
這是一段Nvidia在今年公布的關於深度學習在無人駕駛領域應用的視頻。我們可以看到，將深度學習應用在自動駕駛方面，僅僅經歷了3千英里的訓練，就可以達到什麼樣的程度。在今年年初進行的實驗上，這個系統還不具備真正智能能力，經常會出現各種各樣的讓人提心吊膽的狀況，甚至在某些情況下還需要人工干預。
但經過了3千英里的訓練之後，我們看到在山路、公路、泥地等各種復雜的路況下面，無人駕駛已經有了一個非常驚人的表現。請大家注意，這個深度學習的模型只經過了短短幾個月、3千英里的訓練。
如果我們不斷完善這種模型的話，這種處理能力將會變得何等的強大。這個場景裡面最重要的技術無疑就是深度學習。我們可以得出一個結論：深度學習可以為我們提供強大的能力，如果程序員擁有了這個技術的話，無異於會讓每個程序員如虎添翼。
神經網路快速入門
如果我們對於學習深度學習沒有任何疑慮的話，接下來就一定會關心我需要掌握什麼樣的知識才能讓我進入到這個領域。這裡面最重要的關鍵技術就是「神經網路」。說起「神經網路」，容易混淆是這樣兩個完全不同的概念。
一個是生物學神經網路，第二個才是我們今天要談起的人工智慧神經網路。可能在座的各位有朋友在從事人工智慧方面的工作。當你向他請教神經網路的時候，他會拋出許多陌生的概念和術語讓你聽起來雲里霧里，而你只能望而卻步了。
對於人工智慧神經網路這個概念，大多數的程序員都會覺得距離自己有很大的距離。因為很難有人願意花時間跟你分享神經網路的本質究竟是什麼。而你從書本上讀的到的理論和概念，也很讓你找到一個清晰、簡單的結論。
今天就我們來看一看，從程序員角度出發神經網路究竟是什麼。我第一次知道神經網路這個概念是通過一部電影——1991年上映的《終結者2》。男主角施瓦辛格有一句台詞：
「MyCPUisaneural-netprocessor;alearningcomputer.」（我的處理器是一個神經處理單元，它是一台可以學習的計算機)。從歷史來看人類對自身智力的探索，遠遠早於對於神經網路的研究。
1852年，義大利學者因為一個偶然的失誤，將人類的頭顱掉到硝酸鹽溶液中，從而獲得第一次通過肉眼關注神經網路的機會。這個意外加速了對人類智力奧秘的探索，開啟了人工智慧、神經元這樣概念的發展。
生物神經網路這個概念的發展，和今天我們談的神經網路有什麼關系嗎？我們今天談到的神經網路，除了在部分名詞上借鑒了生物學神經網路之外，跟生物學神經網路已經沒有任何關系，它已經完全是數學和計算機領域的概念，這也是人工智慧發展成熟的標志。這點大家要區分開，不要把生物神經網路跟我們今天談到的人工智慧有任何的混淆。
90年代中期，由Vapnik等人提出了支持向量機演算法（Support Vector Machines，支持向量機）。很快這個演算法就在很多方面體現出了對比神經網路的巨大優勢，例如：無需調參、高效率、全局最優解等。基於這些理由，SVM演算法迅速打敗了神經網路演算法成為那個時期的主流。而神經網路的研究則再次陷入了冰河期。
在被人摒棄的十年裡面，有幾個學者仍然在堅持研究。其中很重要的一個人就是加拿大多倫多大學的Geoffery Hinton教授。2006年，他的在著名的《Science》雜志上發表了論文，首次提出了「深度信念網路」的概念。
與傳統的訓練方式不同，「深度信念網路」有一個「預訓練」（pre-training）的過程，這可以方便的讓神經網路中的權值找到一個接近最優解的值，之後再使用「微調」(fine-tuning)技術來對整個網路進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網路的時間。在他的論文裡面，他給多層神經網路相關的學習方法賦予了一個新名詞— 「深度學習」。
很快，深度學習在語音識別領域嶄露頭角。接著在2012年，深度學習技術又在圖像識別領域大展拳腳。Hinton與他的學生在ImageNet競賽中，用多層的卷積神經網路成功地對包含一千個類別的一百萬張圖片進行了訓練，取得了分類錯誤率15%的好成績，這個成績比第二名高了將近11個百分點。
這個結果充分證明了多層神經網路識別效果的優越性。從那時起，深度學習就開啟了新的一段黃金時期。我們看到今天深度學習和神經網路的火熱發展，就是從那個時候開始引爆的。
利用神經網路構建分類器，這個神經網路的結構是怎樣的？
其實這個結構非常簡單，我們看到這個圖就是簡單神經網路的示意圖。神經網路本質上就是一種「有向圖」。圖上的每個節點借用了生物學的術語就有了一個新的名詞 – 「神經元」。連接神經元的具有指向性的連線（有向弧）則被看作是「神經」。這這個圖上神經元並不是最重要的，最重要的是連接神經元的神經。每個神經部分有指向性，每一個神經元會指向下一層的節點。
節點是分層的，每個節點指向上一層節點。同層節點沒有連接，並且不能越過上一層節點。每個弧上有一個值，我們通常稱之為」權重「。通過權重就可以有一個公式計算出它們所指的節點的值。這個權重值是多少？我們是通過訓練得出結果。它們的初始賦值往往通過隨機數開始，然後訓練得到的最逼近真實值的結果作為模型，並可以被反復使用。這個結果就是我們說的訓練過的分類器。
節點分成輸入節點和輸出節點，中間稱為隱層。簡單來說，我們有數據輸入項，中間不同的多個層次的神經網路層次，就是我們說的隱層。之所以在這樣稱呼，因為對我們來講這些層次是不可見的。輸出結果也被稱作輸出節點，輸出節點是有限的數量，輸入節點也是有限數量，隱層是我們可以設計的模型部分，這就是最簡單的神經網路概念。
如果簡單做一個簡單的類比，我想用四層神經網路做一個解釋。左邊是輸入節點，我們看到有若干輸入項，這可能代表不同蘋果的RGB值、味道或者其它輸入進來的數據項。中間隱層就是我們設計出來的神經網路，這個網路現在有不同的層次，層次之間權重是我們不斷訓練獲得一個結果。
最後輸出的結果，保存在輸出節點裡面，每一次像一個流向一樣，神經是有一個指向的，通過不同層進行不同的計算。在隱層當中，每一個節點輸入的結果計算之後作為下一層的輸入項，最終結果會保存在輸出節點上，輸出值最接近我們的分類，得到某一個值，就被分成某一類。這就是使用神經網路的簡單概述。
除了從左到右的形式表達的結構圖，還有一種常見的表達形式是從下到上來表示一個神經網路。這時候，輸入層在圖的最下方，輸出層則在圖的最上方。從左到右的表達形式以AndrewNg和LeCun的文獻使用較多。而在Caffe框架里則使用的則是從下到上的表達。
簡單來說，神經網路並不神秘，它就是有像圖，利用圖的處理能力幫助我們對特徵的提取和學習的過程。2006年Hinton的那篇著名的論文中，將深度學習總結成三個最重要的要素：計算、數據、模型。有了這三點，就可以實現一個深度學習的系統。
程序員需要的工具箱
對於程序員來說，掌握理論知識是為了更好的編程實踐。那就讓我們看看，對於程序員來說，著手深度學習的實踐需要准備什麼樣的工具。
硬體
從硬體來講，我們可能需要的計算能力，首先想到的就是CPU。除了通常的CPU架構以外，還出現了附加有乘法器的CPU，用以提升計算能力。此外在不同領域會有DSP的應用場景，比如手寫體識別、語音識別、等使用的專用的信號處理器。還有一類就是GPU，這是一個目前深度學習應用比較熱門的領域。最後一類就是FPGA（可編程邏輯門陣列）。
這四種方法各有其優缺點，每種產品會有很大的差異。相比較而言CPU雖然運算能力弱一些，但是擅長管理和調度，比如讀取數據，管理文件，人機交互等，工具也豐富。DSP相比而言管理能力較弱，但是強化了特定的運算能力。
這兩者都是靠高主頻來解決運算量的問題，適合有大量遞歸操作以及不便拆分的演算法。GPU的管理能力更弱一些，但是運算能力更強。但由於計算單元數量多，更適合整塊數據進行流處理的演算法。
FPGA在管理與運算處理方面都很強，但是開發周期長，復雜演算法開發難度較大。就實時性來說，FPGA是最高的。單從目前的發展來看，對於普通程序員來說，現實中普遍採用的計算資源就還是是CPU以及GPU的模式，其中GPU是最熱門的領域。
這是我前天為這次分享而准備的一個AWS 上p2的實例。僅僅通過幾條命令就完成了實例的更新、驅動的安裝和環境的設置，總共的資源創建、設置時間大概在10分鍾以內。而之前，我安裝調試前面提到的那台計算機，足足花了我兩天時間。
另外，從成本上還可以做一個對比。p2.8xLarge 實例每小時的費用是7.2美元。而我自己那台計算機總共的花費了是￥16,904元。這個成本足夠讓我使用350多個小時的p2.8xLarge。在一年裡使用AWS深度學習站就可以抵消掉我所有的付出。隨著技術的不斷的升級換代，我可以不斷的升級我的實例，從而可以用有限的成本獲得更大、更多的處理資源。這其實也是雲計算的價值所在。
雲計算和深度學習究竟有什麼關系？今年的8月8號，在IDG網站上發表了一篇文章談到了這個話題。文章中做了這樣一個預言：如果深度學習的並行能力不斷提高，雲計算所提供的處理能力也不斷發展，兩者結合可能會產生新一代的深度學習，將帶來更大影響和沖擊。這是需要大家考慮和重視的一個方向！
軟體
深度學習除了硬體的基礎環境之外。程序員會更關心與開發相關的軟體資源。這里我羅列了一些曾經使用過的軟體框架和工具。
Scikit-learn是最為流行的一個python機器學習庫。它具有如下吸引人的特點：簡單、高效且異常豐富的數據挖掘/數據分析演算法實現； 基於NumPy、SciPy以及matplotlib，從數據探索性分析，數據可視化到演算法實現，整個過程一體化實現；開源，有非常豐富的學習文檔。
Caffe專注在卷及神經網路以及圖像處理。不過Caffe已經很久沒有更新過了。這個框架的一個主要的開發者賈揚清也在今年跳槽去了Google。也許曾經的霸主地位要讓位給他人了。
Theano 是一個非常靈活的Python 機器學習的庫。在研究領域非常流行，使用上非常方便易於定義復雜的模型。Tensorflow 的API 非常類似於Theano。我在今年北京的QCon 大會上也分享過關於Theano 的話題。
Jupyter notebook 是一個很強大的基於ipython的python代碼編輯器，部署在網頁上，可以非常方便的進行互動式的處理，很適合進行演算法研究合數據處理。
Torch 是一個非常出色的機器學習的庫。它是由一個比較小眾的lua語言實現的。但是因為LuaJIT 的使用，程序的效率非常出色。Facebook在人工智慧領域主打Torch，甚至現在推出了自己的升級版框架Torchnet。
深度學習的框架非常之多，是不是有一種亂花漸欲迷人眼的感覺？我今天向各位程序員重點介紹的是將是TensorFlow。這是2015年穀歌推出的開源的面向機器學習的開發框架，這也是Google第二代的深度學習的框架。很多公司都使用了TensorFlow開發了很多有意思的應用，效果很好。
用TensorFlow可以做什麼？答案是它可以應用於回歸模型、神經網路以深度學習這幾個領域。在深度學習方面它集成了分布式表示、卷積神經網路(CNN)、遞歸神經網路(RNN) 以及長短期記憶人工神經網路（Long-Short Term Memory, LSTM）。
關於Tensorflow 首先要理解的概念就是Tensor。在辭典中對於這個詞的定義是張量，是一個可用來表示在一些向量、標量和其他張量之間的線性關系的多線性函數。實際上這個表述很難理解，用我自己的語言解釋Tensor 就是「N維數組」而已。
使用 TensorFlow, 作為程序員必須明白 TensorFlow這樣幾個基礎概念：它使用圖 (Graph) 來表示計算任務；在被稱之為 會話 (Session) 的上下文 (context) 中執行圖；使用 Tensor 表示數據；通過 變數 (Variable) 維護狀態；使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據。
一句話總結就是，TensorFlow 就是有狀態圖的數據流圖計算環境，每個節點就是在做數據操作，然後提供依賴性和指向性，提供完整數據流。
TensorFlow安裝非常簡單，但官網提供下載的安裝包所支持的CUDA 的版本是7.5。考慮到CUDA 8 的讓人心動的新特以及不久就要正式發布的現狀。或許你想會考慮立即體驗CUDA 8，那麼就只能通過編譯Tensorflow源代碼而獲得。目前TensorFlow已經支持了Python2.7、3.3+。
此外，對於使用Python 語言的程序員還需要安裝所需要的一些庫，例如：numpy、protobuf等等。對於卷積處理而言，cuDNN是公認的性能最好的開發庫，請一定要安裝上。常規的Tensorsorflow的安裝很簡單，一條命令足矣：
$ pip3 install —upgrade
如果想評估一下或者簡單學習一下，還可以通過Docker進行安裝，安裝的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多優點。首先，目前為止，深度學習的開發框架裡面TensorFlow的文檔做的最好，對程序員學習而言是非常好的一點。第二，TensorFlow有豐富的參考實例，作為參考學習起來非常容易。
第三，開發者社區活躍，在任何一個深度學習的社區里，都有大量關於TensorFlow的討論。第四，谷歌的支持力度非常大，從2015年到現在升級速度非常快，這是其他開源框架遠遠達不到的結果。
參考TensorFlow的白皮書，我們會看到未來TensorFlow還將會有巨大的發展潛力。讓我特別感興趣是這兩個方向。第一，支持跨多台機器的 parallelisation。盡管在0.8版本中推出了並行化的能力，但是目前還不完善。隨著未來不斷發展，依託雲計算的處理能力的提升這個特性將是非常讓人振奮的。
第二，支持更多的開發語言，對於開發者來說這是一個絕大的利好，通過使用自己擅長的語言使用TensorFlow應用。這些開發語言將會擴展到Java、Lua以及R 等。
在這里我想給大家展示一個應用Tensorflow 的例子。這個例子的代碼託管在這個網址上 。白俄羅斯的現代印象派藝術家Leonid Afremov善於用濃墨重彩來表現都市和風景題材，尤其是其雨景系列作品。他習慣用大色塊的鋪陳來營造光影效果，對反光物體和環境色的把握非常精準。
於是我就找到了一張上海東方明珠電視塔的一張攝影作品，我希望通過Tensorflow 去學習一下Leonid Afremov 的繪畫風格，並將這張東方明珠的照片處理成那種光影色彩豐富的作品風格。利用Tensorflow 以及上面提到的那個項目的代碼，在一個AWS 的p2類型的實例上進行了一個一千次的迭代，於是就得到了下圖這樣的處理結果。
這個處理的代碼只有350行里，模型使用了一個成名於2014年ImageNet比賽中的明星 VGG。這個模型非常好，特點就是「go depper」。
TensorFlow 做出這樣的作品，並不僅僅作為娛樂供大家一笑，還可以做更多有意思的事情。將剛才的處理能力推廣到視頻當中，就可以看到下圖這樣的效果，用梵高著名的作品」星月夜「的風格就加工成了這樣新的視頻風格。
可以想像一下，如果這種處理能力在更多領域得以應用，它會產生什麼樣的神奇結果？前景是美好的，讓我們有無限遐想。事實上我們目前所從事的很多領域的應用開發都可以通過使用神經網路和深度學習來加以改變。對於深度學習而言，掌握它並不是難事。每一個程序員都可以很容易的掌握這種技術，利用所具備的資源，讓我們很快成為深度學習的程序開發人員。
結束語
未來究竟是什麼樣，我們沒有辦法預言。有位作家Ray Kurzweil在2005年寫了《奇點臨近》一書。在這本書裡面他明確告訴我們，那個時代很快到來。作為那個時代曙光前的人群，我們是不是有能力加速這個過程，利用我們學習的能力實現這個夢想呢？
中國人工智慧的發展
人工智慧的時代無疑已經到來，這個時代需要的當然就是掌握了人工智慧並將其解決具體問題的工程師。坦率的說，市場上這一類的工程師還屬於鳳毛麟角。職場上的薪酬待遇可以看得出來這樣的工程師的搶手的程度。人工智慧這門學科發展到今天，就學術自身而言已經具備了大規模產業化的能力。
所以說，對於工程師而言當務之急就是盡快的掌握應用人工智慧的應用技術。當下在互聯網上關於人工智慧的學習資料可以說已經是「汗牛充棟」，那些具備了快速學習能力的工程師一定會在人工智慧的大潮當中脫穎而出。
中國發展人工智慧產業的環境已經具備。無論從創業環境、人員的素質乃至市場的機遇而言完全具備了產生產業變革的一切條件。與美國相比較，在人工智慧的許多領域中國團隊的表現也可以說是不逞多讓。就人工智慧的技術層面而言，中國的工程師與全球最好的技術團隊正處於同一個起跑線上。
時不我待，中國的工程師是有機會在這個領域大展身手的。不過值得注意的是，要切忌兩點：一是好高騖遠，盲目與國外攀比。畢竟積累有長短，術業有專攻，我們要立足於已有的積累，尋求逐步的突破。二是一擁而上，盲目追求市場的風口。人工智慧的工程化需要大量的基礎性的積累，並非一蹴而就簡單復制就可以成功。
中國的科研技術人員在人工智慧領域的成就有目共睹。在王詠剛的一篇文章裡面，他統計了從2013年到2015年SCI收錄的「深度學習」論文，中國在2014年和2015年超已經超過了美國居於領跑者的位置。
另外一讓我感到驚訝的事情，Google的JeffDean在2016年發表過一篇名為《TensorFlow:Asystemforlarge-scalemachinelearning》的論文。文章的22個作者裡面，明顯是中國名字的作者占已經到了1/5。如果要列舉中國人/華人在人工智慧領域里的大牛，吳恩達、孫劍、楊強、黃廣斌、馬毅、張大鵬……很容易就可以說出一大串。
對於中國來說目前的當務之急是人工智慧技術的產業化，唯有如此我們才可以講科研／智力領域的優勢轉化為整體的、全面的優勢。在這一點上，中國是全球最大的消費市場以及製造業強國，我們完全有機會藉助市場的優勢成為這個領域的領先者。
矽谷創新企業
矽谷雖然去過許多回，但一直無緣在那裡長期工作。在人工智慧領域的市場我們聽到的更多是圍繞Google、Apple、Intel、Amazon這樣的一些大型科技公司的一舉一動。但是在美國市場上還有一大批小型的創業企業在人工智慧這個領域有驚艷的表現。僅以矽谷區域的公司為例：
Captricity，提供了手寫數據的信息提取；
VIVLab，針對語音識別開發了虛擬助手服務；
TERADEEP，利用FPGA提供了高效的卷積神經網路的方案；
還有提供無人駕駛解決方案的NetraDyne。
這個名單還可以很長，還有許許多多正在利用人工智慧技術試圖去創造歷史的團隊正在打造他們的夢想。這些團隊以及他們正在專注的領域是值得我們去學習和體會的。

④ 華人在人工智慧領域很牛，那到底有多牛

人工智慧這把火已經燒到了國家戰略層面，連美國總統和政府機構也卷了進來。上周四，奧巴馬主持白宮前沿峰會，展望美國在未來50年的發展。峰會中，白宮發布報告《國家人工智慧研究與發展策略規劃》。

《IEEE模式分析與機器智能匯刊》的華人前10位大牛，與非華人前10位大牛，在每個人的總引用數上幾乎不相上下。的確，最頂尖的人工智慧科學家裡，中國人/華人的貢獻絲毫不亞於其他科學家。

另外，如果對人工智慧特別是模式識別的研究領域不熟悉，那麼，記住表中這20位頂尖科學家的名字吧。有興趣的話，大家可以去搜一搜他們的簡歷，看看他們都在哪裡工作，在哪裡做研究，他們的學生、同事都是誰，相信會有很多發現。

⑤ 雷軍為什麼辭獵豹董事長

雷軍辭任獵豹移動董事長：傅盛上位，金山騰訊系淡出獵豹管理。

不過，業內還有一種說法認為，雷軍此番辭任還有一重目的，就是希望在小米公司上市前，盡量避免過多關聯交易的質疑。

獵豹2017年報曾披露，公司已與小米公司簽署了各種協議，相互提供營銷和軟體安裝服務。截至2014年，2015年及2016年，獵豹從小米得到的收入分別為人民幣410萬元、117000元及28000元，同時這三年分別向小米支付了人民幣290萬元，4780萬元及5940萬元。

目前，雷軍還擔任著金山網路董事局大大一職。