1660 ， 基本也就跑跑机器学习模型和深度学习里的古早模型。拿来学习基本理论还是可以的。

至于怎么学，看你喜欢学院派还是江湖派。

学院派就从机器学习到深度学习，西瓜书到花书，搞懂理论知识。基础知识需要高数线代、概率论、凸优化不想看可以不看。你说的贪吃蛇 AI 属于另一个领域 强化学习。总体没个一年半载学不完。

江湖派的话就不管三七二十一，找几本实操的书直接上手深度学习，跳过一些繁琐的理论知识阶段，比如李沐的《动手学深度学习》（ pytorch 版）、《 python 深度学习》（这个代码示例是 keras 框架，现在很少有人用了，但是基础介绍很好）。学完基本能建立对整个深度学习算法有所了解。再找个自己感兴趣的方向，nlp 还是 cv ，网上搜搜培训班的视频，跟着做。学完也算入门了。

头疼，老哥，怎么又是你，上次好像 conda 环境搞崩了也是你吧=。=！
archlinux 自带的 python 是很多组件的依赖，版本升级也会跟着升级，自己开发别用系统的 python 。所以用虚拟环境就别用 venv 这种，他是把解释器链接到当前目录的（真要用自己安装一个 python ，venv 链接到自定义的 python ）。
你需要一个完全独立的 python 解释器，推荐 miniconda 。

> 比如随机把某几个第一隐藏层的输出和一些高隐藏层的输出拼在一起作为最后输出层的 input
你是说 残差连接？

> 后来，因为想尝试一下 conda ，所以我安装了 conda ，遇到第一个问题就是，安装后在我的 shell 里没有 conda 这个命令，然后网上找到的教程，他们的 conda 基本都是安装到用户的家，而我安装到 /opt 下的，没法借鉴。后来我从 aur 里发现，打包的人说“为了不污染环境，把 conda 作为一个函数在 shell 中调用，导入这个函数需要执行一个脚本”，然后我把这个脚本加到了~/.zshrc 里，登录就执行一遍，这个问题折腾了几小时
下载官方原版， 安装结束会询问你是否将命令写入 bashrc ，选择 yes ，重启 terminal 即可。

> 再后来，我发现 conda 安装库老是卡死，先声明，我已经搭建了一个透明代理的环境，网络是不存在问题的，它总是卡在解析依赖的地方，实在不想等。
conda 安装前会检测环境各种包的依赖关系，如果 混合使用 pip 和 conda 安装包 会导致提示 The environment is inconsistent 。依赖解析会非常非常慢，甚至卡死。建议新建的环境里仅使用 conda install 或 pip 安装。保持环境干净

> 有一次 archlinux 系统更新的时候，archlinux 的包管理器 pacman 检测到 /opt/anaconda/...下面很多头文件冲突了，没法安装系统更新，我在 reddit 找到了类似的问题，解决办法：卸载 conda ，安装系统更新，重新安装 conda 。 代价就是，我的一堆环境全部重新安装。。。
请不要使用 aur 安装 anaconda ，下载官方原版，手动安装。

> 使用 curl 命令，用的不是系统的 curl,而是 /opt/anaconda/bin/curl 命令
当你使用 base 环境的时候默认调用的是 anaconda 的 curl ，
1.可以重命名的方法规避系统使用它，mv /opt/anaconda/bin/curl /opt/anaconda/bin/curl1 ；
2.使用 conda 新建环境，在新环境里不会使用 base 环境里的 curl

额外说一句：conda 新建环境并激活后，是将新环境的 bin 目录加载 PATH 路径前面，以此覆盖同名指令。只要这个原理可以帮你排查大部分指令调用的问题。

conda 几乎是 ML 领域最优雅的管理环境的工具。建议多看看官方文档。

@doraemon0711 #21 激活的环境会继承全局命令的，不用担心。它实际是填加新环境的 bin 目录到 PATH 中，拿{conda_install_home}/envs/{env_name}/bin 里的命令覆盖掉全局同名命令，非同名命令在各个 conda 环境里都可以使用

And you, my friend, are a true hero

@lambdaq 我之前也是这样写的，所以看到这个写法后测试了一下，发现确实好用。

@westoy 按照 (<enum 'TestEnum'>, <class 'str'>, <enum 'Enum'>, <class 'object'>) 的顺序。TestEnum 没有 str 定义，但是<class 'str'> 里有__str__ 定义啊，为什么 str(TestEnum.A) 的结果是 TestEnum.A 呢？ 我看了下，这是<enum 'Enum'>里__str__的定义，
def __str__(self):
return "%s.%s" % (self.__class__.__name__, self._name_)
所以 str(TestEnum.A) , 为什么跳过<class 'str'>， 出的是<enum 'Enum'>里__str__结果呢

@westoy 我好像突然有点明白了，又不完全明白。为什么 str(TestEnum.A) 不是'a' ?, 为什么不是优先调用 str 类的__str__方法呢？

好巧，正在看第二版英文版，这么快中文就出来了。

@neoblackcap chatgpt 是稠密模型，有相当大部分参数可以蒸馏剪枝，也许理解了模型黑盒后可以压缩到非常小。最后的比喻非常形象，有一种“人类妄想通过科技蛮力比肩神明”的原始力量 ^_^

之前的机器学习、深度学习课程只在计算机专业研究生阶段才有，凸函数优化等课题也至少需要有本科数学能力。
但是 16 、17 年那会国家大力推行人工智能教育，各高校都是按政策抢风口建立人工智能学院或将课程下放到本科阶段，仓促之余，课程设计就没跟上。这种状况就跟八十年代，国内信息技术刚兴起，国家为了发展软件工程，鼓励高校创立软件学院一样，都是政策性产物。

显然，博主是人工智能符号主义学派。
在人类能定义出人是如何产生智能，以及智能是什么之前，这些讨论都显得毫无意义。
“而 ChatGPT 正在走一条相反的道路，首先利用海量的计算能力和整个互联网的数据训练一个通晓天地万物的智能机器，但你却没法指导它成为你自己的模样，它属于 OpenAI 却不是你自己。”
人类基因的进化又何尝不是一种利用海量世界数据和上万年时间的预训练呢？

牛的，真的好看。
给我也写一个：
观千剑而后识器，操千曲而后晓声。

@Ricardoo
softmax 计算概率分布之后 --> softmax 计算概率分布时

为什么叫温度？这个概念最早来自知识蒸馏（也许）。模型在使用 softmax 计算概率分布之后，通过除以常量，可以控制概率分布偏硬还是偏软。在 student model 训练时，往往将其设置成较大参数，更好地学习 teacher model 的知识，训练完成在推理阶段再将此参数调小。整个过程就像蒸馏一下，先高温提纯，再冷却结晶。因此这个参数被称为温度参数。后来发现非蒸馏任务中也可以使用此参数，虽然跟蒸馏无关，但是温度的叫法延续下来了。

赞，好看的

年轻真好，生日快乐！