非科班AI小哥火了：他没有ML学位，却拿到DeepMind的offer(2)

从ICCV2019回来，小哥被要求利用PyTorch从零开始实现一篇论文。 那时候，他对PyTorch一无所知。好在通过完成这个任务，小哥再一次飞速成长。 其它方面的学习进程，小哥制定了一个学习框架。经过大致规划，一个“一年内学习AI各个子领域”+“每3个月学习一个子领域”的计划诞生了。 万事开头难。所学习的第一个AI子领域， 神经风格迁移 （NST） ，耗费时间超过了3个月。 借此，小哥对学习计划进行了优化，即在每3个月学习一个子领域的学习周期大框架下，穿插微学习周期。 微学习周期有两种类型： 1、输入模式：大量摄入信息。这一模式的目标是通过博客、视频等对子领域的结构有一个深度理解，或是通过研究论文、书籍对某个主题深入了解。 2、输出模式：分享所学知识。制作YouTube视频、建立GitHub项目或撰写博文、更新Linkedln、分享相关内容到Twitter和Discord。 主业当然不能落下。在如何平衡工作和学习这个问题上，小哥展现了自己的强大意志力。 他一直保持着一种近乎“疯狂”的节奏：起床后，写2小时代码，然后散会儿步；散步归来，投入微软工作；工作结束，小憩30分钟；睡前再工作2-3小时。 小哥把这部分的经验总结为3点，分别是强大的毅力，正确的心态，以及小憩是金。 授人以渔，小哥详细介绍了他学习NST、GAN等ML详细知识的方法论。

阅读书籍和前沿论文 是最直接获取ML相关知识的途径。 学习神经风格迁移 （NST） 、DeepDream、生成式对抗网络 （GAN） 、NLP & Transformers、强化学习 （RL） 等知识的过程中，小哥都阅读了大量的前沿和小众论文，其中，Transformers相关论文为小哥用PyTorch做出一个流行的GAT提供了部分灵感。 △ Graph ML 因对初学者友好，这一GAT大受欢迎，并成为剑桥大学GNN讲座的推荐内容。 除了沿着学习“主线”前进，早在2020年初，小哥就意识到自己在数学方面有所欠缺。因此，他花时间阅读了《Learning How to Learn》《Python Data Science Handbook》《Deep Learning》等，来加速他的学习进度。 与此同时，对相关知识进行 学习和巩固 是非常有必要的。 补充CNN及其优化知识，实现vanilla GAN、cGAN （条件GAN） 和 DCGAN 模型……旧知识的查漏补缺和新知识的不断加瓦，不断夯实小哥的知识库。 这是他学习GAN后，所训练的DCGAN模型输出的图片： △ 由男人演变为女人（角度和肤色也会改变） 在这个过程中，根据知识要点的难易程度，结合实际情况，小哥还会 改进和完善学习策划 。 比如调整学习时长。因为倍感有趣，小哥花费在NST领域的学习时间，就比原定计划的3个月要长。 或者进行提炼总结。而在学习GAN时，他开始在每篇学习大框架下的末尾写一篇博文，来总结所学到的知识。 抑或选择先熟悉、后陌生的学习流程。RL是DeepMind取得突破性发展的领域，它不仅与其它ML子领域有所不同，其间亟待了解的论文和项目更是不可计数，如如AlphaGo、DQN、OpenAI机械手等。 面对这个难题，小哥从自己最感兴趣的部分——计算机视觉 （CV） ——切入，而后再朝不那么熟悉的课题进发。 在做这些的时候，小哥没有闭门造车，而是与Graph ML领域最优秀的研究人员之一、DeepMind研究员Petar Veličković等人定期聊天，或是博文读者等进行 交流 ，受益匪浅。