高效學習神經網絡技術——以具體的任務類型為切入點 原創
“ 學習技術要從解決實際問題出發，這樣才能更快更好的學習新技術，并不容易忘記；而如果單純的為了技術而學習技術，那么你將會一邊學一邊忘。”
這段時間一直在學習神經網絡技術，包括神經網絡模型架構，神經網絡設計，數據集前置處理等；但這幾天突然發現一個問題，會看這段時間的學習，雖然不能說一點收獲都沒有，但卻覺得進度很慢，而效果也不好。
比如說，到目前為止依然沒有理解怎么實現一個具體的神經網絡網絡，以及獨立設計和實現一個數據集。
原因主要有兩點，一是學習的過程中全都是自己摸著石頭過河沒有人能指導；其次很重要的一點就是學習的方法不對，學習的過程中是把神經網絡不同模塊分開來學的，但卻沒有認識到神經網絡技術是一個多環節的整體。
以具體任務為切入點
在學習神經網絡技術的過程中，又犯了一個常見的錯誤；拋開了具體的任務需求，去嘗試學習一些所謂的“通用”技能；比如神經網絡需要模型設計，數據集處理等。
但神經網絡是一項復雜的技術，不同神經網絡之間，以及不同數據集之間雖然有一些交集，但更多的是巨大的差異；雖然從更抽象的角度來看，神經網絡技術都需要經過固定的幾個步驟；比如模型設計，數據集整理，損失函數，優化算法，訓練等；但不同的神經網絡，其每一步都是有差別的。
比如說在自然語言任務和圖像處理中，對神經網絡的結構以及數據集的要求都是不一樣的；兩種任務類型存在著天然的技術差異。
因此，在學習的過程中，最好的方式是從具體的任務出發，去解決具體的問題；而不是把技術當作空中樓閣，單純的去學習技術，而這也是技術人員在學技術的過程中會經常犯的錯誤和問題。
最直接的體現就是，我們在學校或者在學習某一項新技術的時候，總是喜歡從理論和基礎出發；然后結果就是，一段時間花大力氣學的東西，沒幾天就忘得差不多了。
雖然說不懂技術和理論，很難去上手去做一件事情；但如果是從問題出發，比如為了解決某個問題，然后去學習某個技術，這時學東西就會特別快；然后因為有具體的應用場景，因此就會記得更深刻，理解的也更深刻，也更難忘記。
技術的誕生是為了解決問題，而不是為了學技術而研究技術。
以作者自己學習數據集處理的過程來說，在自然語言(NLP)任務中，不同的NLP任務，需要不同形式的數據集；比如說分類任務，問答任務，聊天任務，需要的數據和神經網絡模型都是不一樣的。
而在數據集處理的過程中，其要求和處理過程也是不一樣的；舉例來說，在比較嚴謹的應用場景中，訓練語料中需要的是嚴肅且嚴謹的內容；而在一些感情領域，需要的不是邏輯性，而是有足夠的情緒表達。
而這兩種模式，即使模型是相同的；但語料絕對不會一樣，因此在具體的數據集收集和處理的過程中也不能一樣。前者需要把嘿嘿，哈哈等情感詞匯作為停用詞，但后者需要把嘿嘿，哈哈這種情感詞匯作為關鍵詞。
而去由于沒有經歷過完善的神經網絡設計與訓練流程，雖然感覺自己每個環節都學了，但結果卻是每個環節都不一樣，整體就更不行了。
本文轉載自公眾號AI探索時代 作者：DFires
