老實(shí)說(shuō)《ai-engineering-from-scratch》這個(gè)標(biāo)題看起來(lái)像是一個(gè)短期突擊計(jì)劃但真正把它做完之后我覺(jué)得它更像一面鏡子——照出一個(gè)新手在AI工程這條路上一路踩坑、填坑、重新爬起來(lái)的全過(guò)程。過(guò)去大半年我基本就是這個(gè)狀態(tài)零基礎(chǔ)起步不靠現(xiàn)成的高層封裝一步步把數(shù)據(jù)、模型、訓(xùn)練、評(píng)估、部署、監(jiān)控這些環(huán)節(jié)整個(gè)過(guò)了一遍?，F(xiàn)在回頭看最值錢的東西反而不是跑了多少模型而是那些失敗和調(diào)試經(jīng)歷幫我建立的底層判斷力。這篇文章我盡量把整個(gè)過(guò)程還原出來(lái)包括思路、實(shí)操、踩過(guò)的坑和沉淀下來(lái)的方法希望能給也想走這條路的人一些參考。這篇文章適合誰(shuí)如果你正處在裝好環(huán)境但不知道下一步干什么的階段或者已經(jīng)能跑通demo但總覺(jué)得理解很淺那這篇文章應(yīng)該對(duì)你有用。我會(huì)從AI工程到底是什么講起再拆解具體的實(shí)操路線最后把我遇到的典型問(wèn)題和解決方案整理成速查表。不繞彎子都是實(shí)際跑過(guò)的經(jīng)驗(yàn)。1. 先搞清楚AI工程到底在做什么很多人提起AI工程第一反應(yīng)就是用Python調(diào)一下模型接口。這確實(shí)是最外層的形態(tài)但工程實(shí)踐遠(yuǎn)不止這一步。我得先把這個(gè)概念剝開(kāi)看它底下到底壓著哪些東西因?yàn)槔斫獠粚?duì)后面所有的學(xué)習(xí)路徑都會(huì)跟著歪掉。1.1 AI工程不是調(diào)接口那么簡(jiǎn)單如果只調(diào)用現(xiàn)成API你實(shí)際接觸的不過(guò)是AI系統(tǒng)的最后一層。真正的AI工程至少包含數(shù)據(jù)采集與清洗、特征處理、模型選型、訓(xùn)練調(diào)優(yōu)、推理優(yōu)化、服務(wù)部署、監(jiān)控告警、迭代更新這幾個(gè)環(huán)節(jié)。每一個(gè)環(huán)節(jié)單獨(dú)拿出來(lái)都可以寫一本書但工程實(shí)踐要求的是把它們串成一個(gè)閉環(huán)。我從零開(kāi)始折騰第一個(gè)完整項(xiàng)目時(shí)才發(fā)現(xiàn)一個(gè)殘酷現(xiàn)實(shí)模型訓(xùn)練只占整個(gè)時(shí)間的大概三成剩下的時(shí)間幾乎都花在數(shù)據(jù)處理、環(huán)境配置、調(diào)試問(wèn)題和服務(wù)化封裝上。提示這個(gè)比例不是隨口說(shuō)的是我?guī)讉€(gè)項(xiàng)目實(shí)測(cè)下來(lái)的平均結(jié)果。如果你也在AI工程入門建議先做好心理預(yù)期——不是只有訓(xùn)練才叫AI工程前面后面那些臟活累活才是工程的主體。我把AI工程拆成四個(gè)輪子數(shù)據(jù)、模型、算力、評(píng)估。數(shù)據(jù)對(duì)應(yīng)輸入質(zhì)量模型對(duì)應(yīng)算法能力算力對(duì)應(yīng)資源邊界評(píng)估對(duì)應(yīng)質(zhì)量底線。任何一個(gè)輪子扁平了整個(gè)系統(tǒng)就跑不順暢。新手最容易犯的錯(cuò)就是把所有精力押在模型上結(jié)果數(shù)據(jù)一團(tuán)糟、評(píng)估靠肉眼最后模型上線了根本不敢用。1.2 為什么強(qiáng)調(diào)from scratchfrom scratch不是要求你從反向傳播手寫一個(gè)Transformer才算數(shù)——當(dāng)然如果你想深挖底層手寫是很好的練習(xí)——但它確實(shí)強(qiáng)調(diào)一個(gè)核心態(tài)度不要只滿足于能用要明白為什么這么用。舉個(gè)例子。用Hugging Face的pipeline接口加載一個(gè)BERT模型做情感分類三行代碼就跑通了。但如果你的任務(wù)不是通用的情感分類而是某個(gè)特定行業(yè)里很冷門的文本判斷任務(wù)你會(huì)發(fā)現(xiàn)預(yù)訓(xùn)練模型直接遷移的效果常常不理想。這時(shí)候如果你懂?dāng)?shù)據(jù)采樣、tokenizer詞表擴(kuò)展、微調(diào)策略這幾個(gè)底層環(huán)節(jié)你就知道問(wèn)題出在哪詞表里沒(méi)有領(lǐng)域詞匯、數(shù)據(jù)分布和預(yù)訓(xùn)練語(yǔ)料差異過(guò)大、超參數(shù)沒(méi)有適配任務(wù)規(guī)模。這就是from scratch的價(jià)值——它培養(yǎng)的是排查鏈路問(wèn)題的能力而不是復(fù)制Demo的能力。我自己實(shí)踐下來(lái)如果只看教程跟著跑確實(shí)很快但只要環(huán)境和數(shù)據(jù)稍作變化馬上就會(huì)卡住。而一旦卡住才是學(xué)習(xí)真正開(kāi)始的地方。2. 從零開(kāi)始的第一步環(huán)境與工具鏈搭建標(biāo)題里既然寫了from scratch那環(huán)境搭建自然是繞不開(kāi)的苦功。這一節(jié)我把我的搭建過(guò)程和遇到的取舍寫清楚特別是那些別人很少提但很重要的細(xì)節(jié)。2.1 硬件配置與開(kāi)發(fā)環(huán)境的取舍我入手時(shí)沒(méi)有太多預(yù)算手頭只有一臺(tái)普通游戲本CPU是i7-12700HGPU是RTX 3060 Laptop6GB顯存內(nèi)存32GB。在此之前我一度覺(jué)得沒(méi)A100就學(xué)不了AI但事實(shí)是6GB顯存在入門階段完全夠用前提是你得知道怎么在資源邊界內(nèi)工作。如果你有獨(dú)立顯卡哪怕顯存只有4GB也建議優(yōu)先把CUDA環(huán)境配好因?yàn)楹芏嗾{(diào)試問(wèn)題只有在真實(shí)GPU上跑過(guò)才會(huì)理解。如果是純CPU環(huán)境照樣能學(xué)但推理和訓(xùn)練的速度會(huì)慢到令人崩潰所以我建議至少有一塊支持CUDA的NVIDIA顯卡顯存6GB以上是舒適區(qū)。開(kāi)發(fā)環(huán)境方面我強(qiáng)烈建議用LinuxUbuntu 22.04 LTS原因不是Windows跑不了而是大量模型倉(cāng)庫(kù)、部署腳本和運(yùn)維工具都是優(yōu)先支持Linux的。如果你只有Windows機(jī)器也不用急著裝雙系統(tǒng)Windows Subsystem for LinuxWSL2是一個(gè)很實(shí)用的過(guò)渡方案CUDA支持也成熟了。我是直接在Windows上用的WSL2日常開(kāi)發(fā)體驗(yàn)和Linux基本一致。2.2 版本匹配問(wèn)題Python、CUDA、PyTorch三方博弈整個(gè)入門過(guò)程中最折磨我的不是模型不是算法是版本匹配。PyTorch、CUDA、Python三者的對(duì)應(yīng)關(guān)系非常嚴(yán)格。裝錯(cuò)一版要么檢測(cè)不到GPU要么運(yùn)行時(shí)報(bào)錯(cuò)要么性能莫名其妙下降。我的建議是不要追求最新要追求穩(wěn)定組合。我目前在用的一個(gè)穩(wěn)定組合供參考組件版本選擇說(shuō)明Ubuntu22.04 LTS長(zhǎng)期支持官方文檔示例最多的版本Python3.10絕大多數(shù)庫(kù)兼容性最好的版本CUDA11.8或12.1看PyTorch官方對(duì)應(yīng)表PyTorch2.x穩(wěn)定版安裝時(shí)用官方命令生成器選對(duì)應(yīng)版本cuDNN與CUDA配套用pip安裝時(shí)一般自動(dòng)處理我踩過(guò)最慘的一次坑是直接把CUDA升級(jí)到12.4結(jié)果項(xiàng)目里一個(gè)老版本的TensorFlow直接無(wú)法調(diào)用GPU最后只能花時(shí)間重建環(huán)境。從那以后我立了一個(gè)規(guī)矩——任何大版本升級(jí)前先看依賴庫(kù)的官方兼容性聲明再?zèng)Q定動(dòng)還是不動(dòng)。還有一個(gè)實(shí)用習(xí)慣每個(gè)項(xiàng)目開(kāi)一個(gè)獨(dú)立的Python虛擬環(huán)境。我用的是conda因?yàn)樗诠芾鞵ython版本和CUDA依賴方面更順手。每開(kāi)一個(gè)項(xiàng)目第一件事就是conda create -n project_name python3.10然后在虛擬環(huán)境里裝依賴。這樣項(xiàng)目之間互不污染即使某個(gè)環(huán)境被我搞壞了也不會(huì)影響其他項(xiàng)目。3. 從零到第一個(gè)AI模型完整實(shí)操路徑環(huán)境準(zhǔn)備好以后就可以開(kāi)始正經(jīng)的項(xiàng)目實(shí)操。我把路徑拆成三個(gè)階段跑通推理、訓(xùn)練小模型、服務(wù)化封裝。每階段都卡過(guò)也都有值得說(shuō)的細(xì)節(jié)。3.1 第一步跑通一個(gè)開(kāi)源模型的推理我選的首個(gè)模型是bert-base-chinese——一個(gè)中文預(yù)訓(xùn)練模型用途是文本分類。選擇它的理由很樸素體量小約110M參數(shù)推理快能在CPU上跑且中文生態(tài)資料多出了問(wèn)題好排查。跑通推理之前先要理解tokenizer和模型輸入的套路。文本不能直接以字符串形式喂給模型必須經(jīng)過(guò)tokenizer轉(zhuǎn)成張量。這個(gè)轉(zhuǎn)換過(guò)程包含分詞、切subword、加special token、截?cái)嗷騪adding。很多新手上來(lái)就報(bào)錯(cuò)dimension mismatch多半就是沒(méi)搞明白padding和truncation的作用。我的實(shí)操流程是用Hugging Face加載模型和tokenizer對(duì)輸入文本做tokenization得到input_ids、attention_mask把張量喂給模型拿到logits對(duì)logits做softmax得到概率分布按索引取標(biāo)簽代碼如下from transformers import AutoTokenizer, AutoModelForSequenceClassification import torch model_name bert-base-chinese tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForSequenceClassification.from_pretrained(model_name, num_labels2) text 這家餐廳的菜很好吃但服務(wù)態(tài)度一般。 inputs tokenizer(text, truncationTrue, paddingTrue, return_tensorspt) with torch.no_grad(): outputs model(**inputs) logits outputs.logits probs torch.softmax(logits, dim-1) print(probs)看起來(lái)簡(jiǎn)單但這一步卡住我的點(diǎn)在于很多人會(huì)忽略return_tensorspt這個(gè)參數(shù)。如果不加返回的是Python列表沒(méi)法直接喂給PyTorch模型。這種細(xì)節(jié)教程里不一定提但實(shí)際跑的時(shí)候都會(huì)遇到。跑通這一步之后我對(duì)模型推理建立了完整的直覺(jué)模型不神秘它就是一個(gè)接收張量、輸出張量的函數(shù)tokenizer是文本與張量之間的橋梁。3.2 第二步自己訓(xùn)練一個(gè)文本分類小模型跑通別人的模型只是熱身真正價(jià)值出現(xiàn)在自己動(dòng)手微調(diào)模型。我做的第一個(gè)訓(xùn)練項(xiàng)目是一個(gè)酒店評(píng)論情感分類任務(wù)正負(fù)樣本各兩千條。數(shù)據(jù)是從一個(gè)公開(kāi)的評(píng)論集里整理出來(lái)的先做了去重、清理特殊字符、統(tǒng)一格式然后按7:2:1切分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。訓(xùn)練代碼的核心骨架from datasets import Dataset from transformers import TrainingArguments, Trainer train_dataset Dataset.from_pandas(train_df) val_dataset Dataset.from_pandas(val_df) training_args TrainingArguments( output_dir./results, evaluation_strategyepoch, save_strategyepoch, learning_rate2e-5, per_device_train_batch_size16, per_device_eval_batch_size32, num_train_epochs3, weight_decay0.01, logging_dir./logs, ) trainer Trainer( modelmodel, argstraining_args, train_datasettrain_dataset, eval_datasetval_dataset, ) trainer.train()這里有個(gè)關(guān)鍵問(wèn)題learning_rate2e-5這個(gè)值不是隨便拍的。微調(diào)預(yù)訓(xùn)練模型時(shí)學(xué)習(xí)率通常要比從頭訓(xùn)練小一個(gè)量級(jí)因?yàn)轭A(yù)訓(xùn)練權(quán)重已經(jīng)學(xué)到了通用特征學(xué)率太大會(huì)導(dǎo)致災(zāi)難性遺忘——模型把之前學(xué)到的通用知識(shí)全忘掉。我一開(kāi)始試過(guò)1e-4明顯看到驗(yàn)證集loss劇烈波動(dòng)改回2e-5以后才穩(wěn)定下降。另一個(gè)容易被忽略的參數(shù)是evaluation_strategyepoch它代表每個(gè)訓(xùn)練epoch結(jié)束后用驗(yàn)證集評(píng)估一次。千萬(wàn)不要只在所有訓(xùn)練結(jié)束后評(píng)估一次那樣中間出現(xiàn)的問(wèn)題沒(méi)法及時(shí)發(fā)現(xiàn)。我后來(lái)甚至把日志頻率調(diào)到每一步都記錄loss可以實(shí)時(shí)觀察訓(xùn)練狀態(tài)。訓(xùn)練結(jié)束以后我做了兩件新手常忽略的事用專門的測(cè)試集做最終評(píng)估以及把模型保存到本地并用它對(duì)真實(shí)樣本做推理驗(yàn)證。測(cè)試集的作用是模擬模型在沒(méi)見(jiàn)過(guò)的數(shù)據(jù)上的表現(xiàn)這才是真實(shí)場(chǎng)景下的效果而不是訓(xùn)練集上的自我感覺(jué)良好。3.3 第三步把模型封裝成一個(gè)可用服務(wù)訓(xùn)練完模型之后下一步是部署。如果不做這一步模型永遠(yuǎn)只是筆記本里的一個(gè)產(chǎn)物不算一個(gè)工程。我用FastAPI封裝成了RESTful接口代碼很簡(jiǎn)單from fastapi import FastAPI, Request from pydantic import BaseModel from transformers import pipeline app FastAPI() classifier pipeline(text-classification, model./results/checkpoint-xxx) class Item(BaseModel): text: str app.post(/predict) async def predict(item: Item): result classifier(item.text)[0] return {label: result[label], score: result[score]}這里最需要注意的是模型加載時(shí)機(jī)。如果每次請(qǐng)求都加載一次模型服務(wù)和死掉差不多。正確的做法是在服務(wù)啟動(dòng)時(shí)把模型加載進(jìn)內(nèi)存然后接口只做推理。這個(gè)細(xì)節(jié)雖然小但我在頭幾次部署時(shí)確實(shí)犯過(guò)——在接口函數(shù)里加載模型結(jié)果第一個(gè)請(qǐng)求花了十幾秒后面的請(qǐng)求報(bào)告內(nèi)存一直在漲。服務(wù)化還有一個(gè)現(xiàn)實(shí)問(wèn)題并發(fā)。如果只處理單條請(qǐng)求用上面的寫法完全夠用。但一旦有并發(fā)請(qǐng)求就需要考慮批量推理、異步任務(wù)隊(duì)列、負(fù)載均衡。入門階段建議先把單服務(wù)跑通理解整個(gè)調(diào)用鏈路再考慮更復(fù)雜的架構(gòu)。4. 從零學(xué)習(xí)中最容易踩的坑承諾一下這一節(jié)的東西幾乎都是我從實(shí)際報(bào)錯(cuò)和反復(fù)排查里攢下來(lái)的比看十篇教程都有用。我按出現(xiàn)頻率排了序。4.1 版本地獄庫(kù)、驅(qū)動(dòng)、系統(tǒng)的三角關(guān)系這個(gè)問(wèn)題幾乎人人會(huì)碰。我的經(jīng)歷是這樣的某次升級(jí)依賴之后PyTorch開(kāi)始報(bào)CUDA error: no kernel image is available for execution on the device查了半天發(fā)現(xiàn)是CUDA版本和顯卡驅(qū)動(dòng)不匹配。報(bào)錯(cuò)信息大概率原因解決方向CUDA error: no kernel image...CUDA版本和驅(qū)動(dòng)不匹配查驅(qū)動(dòng)支持的CUDA版本重裝對(duì)應(yīng)CUDA或PyTorchlibcudnn.so.8: cannot open shared object filecuDNN缺失或版本不對(duì)在conda環(huán)境里安裝匹配的cuDNNRuntimeError: CUDA out of memory顯存不足減小batch size、用梯度累積、換半精度Expected all tensors to be on the same device張量在CPU/GPU混用顯式調(diào)用.to(device)統(tǒng)一設(shè)備ImportError: cannot import name x from transformerstransformers版本過(guò)舊升級(jí)或按官方文檔回退到指定版本建議所有初學(xué)者建立起一個(gè)意識(shí)每一次環(huán)境變動(dòng)都做記錄。我后來(lái)把所有依賴寫進(jìn)requirements.txt而且固定版本號(hào)不寫范圍版本這樣環(huán)境才能可復(fù)現(xiàn)。尤其是多人協(xié)作或者隔一段時(shí)間重新跑項(xiàng)目時(shí)這個(gè)習(xí)慣能救人一命。4.2 數(shù)據(jù)問(wèn)題比模型問(wèn)題更致命而且更隱蔽我在訓(xùn)練第一個(gè)模型時(shí)犯過(guò)一個(gè)很經(jīng)典的錯(cuò)誤數(shù)據(jù)沒(méi)做shuffle。數(shù)據(jù)里前2000條都是正樣本后2000條都是負(fù)樣本訓(xùn)練時(shí)模型先大量看到正樣本loss震蕩很厲害最后模型嚴(yán)重偏向預(yù)測(cè)正類。后來(lái)我總結(jié)出一個(gè)規(guī)律數(shù)據(jù)層面出問(wèn)題往往模型輸出的整體表現(xiàn)看起來(lái)還行但細(xì)看各類別的指標(biāo)就會(huì)露餡。比如準(zhǔn)確率看著有85%一看precision和recall負(fù)類的recall只有30%——這樣的模型上線之后就只能不停地誤判。處理數(shù)據(jù)的基本流程我整理為五步去重去掉完全重復(fù)或近似重復(fù)的文本清洗去掉HTML標(biāo)簽、噪聲符號(hào)、亂碼字符標(biāo)準(zhǔn)化統(tǒng)一大小寫中文不需要、統(tǒng)一全半角符號(hào)標(biāo)簽校驗(yàn)檢查標(biāo)簽分布是否有錯(cuò)標(biāo)漏標(biāo)劃分按類別分層采樣確保訓(xùn)練、驗(yàn)證、測(cè)試集中各類別比例一致這五步看著簡(jiǎn)單實(shí)際做下來(lái)每一步都需要親手寫代碼檢查我甚至專門寫了幾個(gè)小函數(shù)來(lái)統(tǒng)計(jì)標(biāo)簽分布、文本長(zhǎng)度分布、重復(fù)率確保數(shù)據(jù)的每個(gè)維度都心里有數(shù)。4.3 顯存不夠時(shí)的幾種現(xiàn)實(shí)解法6GB顯存做小模型微調(diào)還算夠用但稍微模型大一點(diǎn)就尷尬了。我剛?cè)腴T時(shí)想試試更大的模型結(jié)果直接被OOMOut Of Memory勸退。后來(lái)學(xué)會(huì)了幾招現(xiàn)在整理出來(lái)方法思路代價(jià)減小batch size一次喂給模型更少樣本訓(xùn)練變慢需配合梯度累積梯度累積每N步更新一次參數(shù)訓(xùn)練時(shí)間變長(zhǎng)混合精度訓(xùn)練用FP16代替FP32精度略降但訓(xùn)練加速模型量化用INT8/INT4代替FP16精度損失需驗(yàn)證清理緩存torch.cuda.empty_cache()在中間步驟清理治標(biāo)不治本我用的最順手的方案是batch size設(shè)為8梯度累積步數(shù)設(shè)為2這樣等效到16的批量大小顯存卻不爆。如果你也想優(yōu)化顯存第一條先改batch size很多情況下就能解決。注意顯存不夠不要急著買新顯卡先把batch size降下來(lái)試試。很多人習(xí)慣網(wǎng)上抄一個(gè)batch size值就直接跑跑掛了還以為是模型問(wèn)題。實(shí)際上batch size是訓(xùn)練里最不敏感的參數(shù)量級(jí)只要不是太大了對(duì)效果影響有限。5. 我沉淀下來(lái)的幾條經(jīng)驗(yàn)法則最后分享幾個(gè)經(jīng)過(guò)反復(fù)驗(yàn)證的經(jīng)驗(yàn)不是套話是每個(gè)決策背后都有實(shí)際教訓(xùn)才總結(jié)出來(lái)的。5.1 用項(xiàng)目驅(qū)動(dòng)代替漫無(wú)目的地刷課說(shuō)真的AI工程這個(gè)方向信息量太密如果沒(méi)有明確目標(biāo)很容易陷入看視頻一時(shí)爽合上電腦全忘光的假學(xué)習(xí)循環(huán)。我的建議是一開(kāi)始就定一個(gè)可以交付的項(xiàng)目哪怕是做一個(gè)小模型走完整條鏈路——數(shù)據(jù)、訓(xùn)練、評(píng)估、部署——做完一遍之后再去補(bǔ)理論你會(huì)發(fā)現(xiàn)自己吸收知識(shí)的效率完全不同。我見(jiàn)過(guò)不少朋友花兩三個(gè)月看深度學(xué)習(xí)理論課代碼一行沒(méi)寫最后讓他跑個(gè)模型完全懵。反過(guò)來(lái)先動(dòng)手把流程跑通再回頭補(bǔ)為什么梯度下降收斂為什么激活函數(shù)要選ReLU這些理論理解深度完全不一樣因?yàn)槟阌姓鎸?shí)體驗(yàn)打底了。第一個(gè)項(xiàng)目不要選太復(fù)雜。我最推薦的入門項(xiàng)目是中文文本分類數(shù)據(jù)好找模型不重鏈路完整踩坑密度剛剛好。圖像方向可以選CIFAR-10做分類但環(huán)境依賴要多一些上手成本更高。如果能堅(jiān)持做完一個(gè)文本分類項(xiàng)目AI工程的基礎(chǔ)框架就有了。5.2 記錄實(shí)驗(yàn)日志養(yǎng)成工程習(xí)慣剛開(kāi)始訓(xùn)練模型時(shí)我試了很多組超參數(shù)但全憑印象過(guò)一周之后根本想不起來(lái)哪組參數(shù)好、為什么好。吃了不少虧之后我建了一個(gè)實(shí)驗(yàn)記錄表每跑一次實(shí)驗(yàn)記一行實(shí)驗(yàn)編號(hào)與目標(biāo)數(shù)據(jù)集版本與切分方式模型結(jié)構(gòu)與參數(shù)數(shù)量超參數(shù)配置學(xué)習(xí)率、batch size、epochs等訓(xùn)練結(jié)果loss曲線、評(píng)估指標(biāo)復(fù)現(xiàn)命令或代碼位置備注當(dāng)時(shí)的異常表現(xiàn)偶然發(fā)現(xiàn)這個(gè)習(xí)慣的收益是滾雪球式的。三個(gè)月以后我翻記錄還能準(zhǔn)確知道當(dāng)時(shí)某個(gè)實(shí)驗(yàn)為什么失敗哪些參數(shù)組合值得延續(xù)。這比任何AI輔助調(diào)參工具都更貼近工程實(shí)踐本質(zhì)——可復(fù)現(xiàn)、可追溯、可信賴。5.3 學(xué)習(xí)節(jié)奏與心態(tài)建議AI工程是一條很長(zhǎng)很長(zhǎng)的路入門期45天到90天不等取決于基礎(chǔ)和時(shí)間投入。如果之前寫過(guò)Python過(guò)程會(huì)順一大截如果完全零編程基礎(chǔ)建議先花一兩周熟悉Python語(yǔ)法和基礎(chǔ)庫(kù)再正式進(jìn)入AI工程環(huán)節(jié)。心態(tài)上最重要的一個(gè)建議報(bào)錯(cuò)不是災(zāi)難而是線索。我最早遇到報(bào)錯(cuò)就想放棄后來(lái)逐漸把它當(dāng)成排查游戲。每個(gè)報(bào)錯(cuò)都在告訴你系統(tǒng)內(nèi)部某個(gè)環(huán)節(jié)的狀態(tài)順著報(bào)錯(cuò)追下去你會(huì)對(duì)框架的理解越來(lái)越深。到現(xiàn)在遇見(jiàn)沒(méi)見(jiàn)過(guò)的報(bào)錯(cuò)我甚至有點(diǎn)興奮——因?yàn)槲抑澜鉀Q它之后認(rèn)知又會(huì)提升一截。最后一個(gè)小建議多在社區(qū)寫分享、看別人的提問(wèn)。我很多經(jīng)驗(yàn)其實(shí)來(lái)源于幫別人排查問(wèn)題普適性極強(qiáng)的問(wèn)題往往意味著很多人都會(huì)踩。試著答一道新區(qū)塊鏈跑出來(lái)的問(wèn)題你就知道自己是否真正理解了一個(gè)知識(shí)點(diǎn)。從零開(kāi)始這條路不短但它帶來(lái)的底層判斷力是不可替代的。前期慢一點(diǎn)沒(méi)關(guān)系持續(xù)跑總會(huì)到達(dá)自己最初想去的地方。