图像识别（番外1）| AI算法攻城狮左手图纸，右手搬砖的真实 ...
前几天，听到两个同事在沟通某个神经网络中一处算法的实现。因为下面的一段对话，让我突然感觉到，搞AI算法，是真的在搬砖盖楼！
对话
A：“这个卷积后面的 tensor ，需要通过维度拆解（split）加维度转置（transpose）进行才行！”
B：“硬件对于低维拆解是不友好的，数据需要低维对齐，调用转置指令的话，性能也不见得会有多好。”
A：“那如果不用 split 和 transpose 来实现，有其他更好的办法么？”
B：“让我想想，把我的图纸拿来！”
A：“图纸，什么图纸？”
B：“网络结构图，我要开始搬砖了。”
于是，同事 B 找来图纸，手里拿着铅笔，开始写写画画，进行算法替换的推导！
...
AI算法工程师 | 盖个大房子
AI算法攻城狮，大致分为两类。
第一类是搞全网优化的算法攻城狮
他们基于整个神经网络做算法实现和优化。主要的手段大致为：数据量化、网络剪枝、模型调参（炼丹）、图融合、指令调度等等。
目的是使得整个AI神经网络有更好的性能，也就是经常可以听到的，做神经网络的优化！
经常会看到某某公司推出了一个新模型，无论识别精度，还是运行性能，都吊打其他公司，这里的性能，其实就是大量的网络优化后，取得的效果。
第二类是搞单个算法优化的算法攻城狮
他们往往只局限于某一个或一类算法进行持续的优化。
最常见的就是卷积和矩阵乘法优化的攻城狮门，也是各大AI算法公司抢手的香饽饽。
但是，不论哪种算法攻城狮，都离不开对于网络结构的了解。
可以说，整个神经网络是一座大厦，卷积这种重要算法是承重墙，其余算法是砖、水泥、钢筋和混凝土，哪里需要搬哪里。
Resnet50全貌
之前一直在写的resnet50这一网络，就是用大量的卷积来搭起来的，下面是 resnet50这一网络的全貌，长图预警。
看完，或许你真的会有一个感觉，从头到尾用代码去实现这样一个神经网络，真的和搬砖盖楼，没有区别！
由于知乎对图片长度有限制，折腾了半天也传不了图片，想看的同学，可以点击下发的链接查看。
Resnet50 这一网络，总共由几十层的算法拼接而成，而且有图像识别（五）| 春天花开却不识？打开百度识图，残差和卷积带你识遍路边野花 这里面提到的残差结构。
攻城狮们要对着上面的图纸，以及算法参数，一层层的去实现，一层层的去优化，一层层的去计算。
总之，AI算法攻城狮，现代农民工，真代码搬砖人！
One More Thing
之前写了一些CNN的科普。
像上面那么多层的卷积层，是如何将图像数据一层层传递到下面的，最终识别出一张图片物体是什么的呢？
这里介绍一个网站，或许是最形象的入门学习CNN的网站了。
网址：CNN可视化。
如果被墙了登不上去，那就想办法吧，毕竟，没有什么东西，可以墙的住一个攻城狮！
这个网站可以十分形象的展示在一个CNN网络中，数据的流向以及计算，更重要的，可视化做的非常好。
比如，像下面这样，点击其中一个卷积层，就会看到，对原始图像 RGB 通道的卷积操作，卷积核一步步的滑窗，最终计算出一个杯子的轮廓。
图像识别系列其他文章推荐
<hr/>码字不易，如果你喜欢，请关注 @董董灿是个攻城狮 或点赞关注。
近期开通个人微信公众号： 董董灿自述 | 我是一个攻城狮 每日一篇人工智能科技文章，欢迎关注。
页:
[1]