【31】鐵人參賽心得與那八個月在家自修的日子

11th鐵人賽完賽心得

Capillary J

2019-10-09 11:43:48

2541 瀏覽

Hi 我是 Jason，不管你是否懂 Machine Learning 或者前面的文章都沒看過直接進來看心得，都謝謝你來看我的文章！以下心得我會分成參賽、寫作和我自己正在走的工程師人生道路心得，希望讀者們不吝指教。

關於鐵人參賽心得:

終於完成這次的鐵人賽文章，這是我第二次參加鐵人賽寫文章，第一次參加是在兩年前的比賽，當時報名了 Data Technology 組寫了一篇和 R 語言有關的應用，很榮幸拿了獎，因為有第一次的參賽經驗，我非常知道當天寫文章是有多緊急多混亂，也因此在看到這次比賽後，很早就報名了(8/19報的，當時報名人數還是個位數XD)，也因為很早報名的關係，所以很早就開始在累積文章內容跟規劃 github 原始碼，整個內容的規劃包含寫作大該花了 50 天，也因為提早寫文章的關係，這次鐵人賽參與起來格外輕鬆，比賽時間也固定有個人的休閒活動，像是去健身房運動、追劇和打電動等XD

想對之後有興趣參加鐵人賽的讀者說....相信我，提早準備是對的。

關於寫作心得:

目前網路上能找到的技術好文章，很大一部分都是國外英文文章和大陸人寫的，台灣人的技術文章相比甚少，而其中帶有個人觀點的技術文又更是難能可貴。一個人要寫出具有中心思想的文章，要面對的挑戰很多，最基本要了解技術原理，再用自己的話來解釋，能夠勇於發表自己想法的文章是非常有價值的！而我自己也是抱持這個心態在寫作，尤其後面幾篇的優化篇，都是自己獨特的使用心得，希望能幫助後面的人能夠更快理解自己所寫、所用的語言和工具。

能在網路上寫 0 到 1 的技術教學文是很好，但更好的是從 1 到 N 的個人見解文。

八個月的自學與工程師人生:

我的背景可以先看看兩年前寫的這篇，2018年初，參加完鐵人賽後，離開了待了快三年的前一家公司，正式決定走往 Machine Learning 這條路，由於之前的工作經驗，自己比較擅長的領域是軟體工程，跟一點點的資料分析，但要成為一位優秀的機器學習工程師，只會寫程式當然不夠，所以我有了以下的規劃。

三、四、五、六月

複習大學時的數學知識，我從交大開放式課程把微積分(一)(二)重新學了一遍，除此也把線性代數、機率與統計一併學完，這四個月專心學數學，讓自己讀 Paper 時，不至於看到一堆公式就頭暈。

七、八月

我從 Udemy 買了 Lazy Programmer 系列課程，之所以喜歡他們的課程是他們注重原理，不會只教你一些 API 套一套，甚至細到 Python可刻神經網路的地步，工具用 tensorflow 和 theano 來教學，雖然硬，但是收穫不少，官網也有技能樹給你參考修課順序。

九月

懂了原理和工具後，再來就是實作經驗，我自己參加了 Kaggle 比賽和 T-Brain 比賽，不過成績都沒有很亮眼，但卻在討論區學到了不少知識，除此之外也動手訓練一些 Toy Project，像是風格移轉，寶可夢練習，雖然這些範例網路上幾乎都有人做過，要復刻並不難，但你必須很確定自己真的了解其中的原理!

十月

準備面試，我花了一個禮拜面試了六間，找到了一間願意錄用我的公司，對於一個半路轉領域的我來說，我覺得自己很幸運。

這中間經歷了什麼挫折?

1. 學東西學到懷疑人生：剛學習 Machine Learning 時，很可能短短幾句話中出現 10 個專有名詞，結果你有 7 個都聽不懂...，當時打擊很大，也到了網路上發文詢問，網友們的回覆多數都也都提供了一點方向。

2. 不清楚實際 ML 工程師的工作內容：由於不清楚工作內容，所以面試時變得很難準備，我當時面試時就吃了不少虧(不太知道公司會需要怎麼樣的人)，我覺得能夠先知道這點對找工作很有幫助，底下我會跟大家介紹我目前的工作內容。

3. 來自...家人的壓力：在一開始決定在家自修時，家人大多沒什麼意見，甚至會想說平常都在台北(我桃園人)，現在每天都能見到很新奇，但隨著時間推移，幾個月後，家人開始擔心你太久沒有工作是不是沒有競爭力，附近鄰居也會開始好奇怎麼成天窩在家，這的確很麻煩，但我自己很清楚自己要的是什麼，也很高興自己當時有堅持著。

4. 面試時，被打槍不夠深入：沒錯...以我上面的自學歷程來說，離一個成熟的機器學習工程師還差很遠，也因此我覺得自己很幸運後來有轉成功，但如果想要被認同，我認為就是多訓練模型，多觀察網路上別人的模型是怎麼實作的，當你擁有幾百次以上的訓練經驗、有多次的採坑經驗，慢慢會對設計模型有一定的感覺。

成為 ML 工程師之後都我在做什麼

1. 收集數據、清潔資料：多數時候開放資料集都不會是剛好符合你的需求，以臉部辨識為例，網路上能使用的公開數據集有MS-Celeb-1M，但是當今天你想辨識台灣地區的人臉時，這樣的數據集效果並不好，因此可能需要自己寫爬蟲去抓資料來標記，不定期寫script是家常便飯。

2. 挑戰優化：ML 在學術和工業之間有很大的差別，一旦你負責了公司某項 AI 產品，都有可能被要求產品必須要達到某些門檻，例如模型限制在 10 mb 以下、單次推論要在 50 ms 以內等難題，你要思考的東西絕對不只有訓練而已，盡可能去了解作業系統的原理才有可能優化。

3. 與其他工程師共事：有時候全公司可能只有你自己最了解，你要學著如何將你做的東西口語化敘述給同事聽，另一方面，你有必須對同事使用的工具語言有概念，以我為例，我也必須額外花時間學如何使用 Linux, Docker, Golang, AWS 上的服務等，才有辦法跟同事討論問題。

4. 適應新工具：以我自己用的 tensorflow 為例，最新的 2.0 已經正式推出了，代表我也必須多花時間補足這方面的知識，像是改用 2.0 的寫法更新現有的模型，另外，如果訓練環境一定要自己搭建，每次的大更新都讓人心累（我自己是用 Nvidia 的 Docker，就輕鬆不少）。

5. 調參數、換模型：當訓練模型變成你的工作後，你必須面對模型不收斂、訓練結果變成 nan等各種詭異的問題，這會花不少時間去分析問題，如果有時程壓力更是煎熬！畢竟模型不 work 的原因很多種，這很需要良好心態，除了參數以外，也要嘗試不同模型，同一個問題用 VGG、ResNet、MobileNet、SqueezeNet 的效果都不同，也花了不少時間在更換模型。

如果你也跟我一樣，有打算從事 ML 相關產業，希望我上面的經歷能給你一些啟發，持續性的努力是必要的，以上就是我這次的心得文，謝謝大家！

最後是 30天滿滿的 commit 圖XD