前言

今天，我想和大家分享我的转行故事，希望能鼓励那些像我一样的朋友们一起前进。

首先说说为何要转型，我之前的专业是 汽车检测与维修，毕业后进入维修工作，后来换了两份工作，其实都基本没有离开过汽车行业这个圈子。

而实际上， 汽车行业这个圈子并不是我的理想工作，不管是工作时长 工作前景，工作的付出和收入是否成正比的角度来看，都证明这不是我想要的，只是我人生的过渡阶段。

我自己对汽修又不是很感兴趣，正是因为如此，所以综合考虑和充分了解后， 我决定进入IT行业。

因为当时没有计算机基础，我走了很多弯路，在网上找了一些教程，东拼西凑，感觉一团糟。如果你想转型，你就得有所付出。

在此期间，我还会见了研究组中一些年轻的数据分析职位的现任者。他建议我做数据分析。

下面是我给大家的一些学习方针：

1.我发现很多学习Python的人不明白一个东西，就是我们在做一件事的时候首先弄清楚这个事情是干什么的，应该怎么做。就像有些人写代码做程序一样，刚有了需求，直接动手干，完全不去想思路和细节，如果你能把每个细节做到位，写代码真的很简单。所以初学者一定知道自己在学什么，而不是整体在那里盲目的学，浪费时间。

2.系统的学习规划，学习Python是一个循序渐进的过程，不是今天学一会，明天多学一会，这样一定学不成功，最后的结果就是浪费时间，浪费生命，这都是走过来的路，经验。

3.有人指导，学Python千万别自以为是的认为自己很天赋异禀，只要努力就一定能成功，很多东西我们现有智商无法满足的，所以学Python开始一定要有人帮你解决一些小问题，很多难题自己是无法解决，就算解决也很浪费时间，所以我把大家都聚在了一块希望帮助每一个想学习改变自己的人。

4.只需要一套系统的学习教程，学习资料不在多，再多可能你都不会看，没用，能耐心的学完，每天都在学，这才是有用的东西，没有学习资源的朋友可以自己去下载。

5.学习方法，学习Python是需要一个少走弯路的学习方法的，如果学习方法不对，那怎么学都是浪费时间，多去跟过来人请教，交流的碰撞，可以让你少走很多弯路，如果大家没人可以问，可以随时来问我，平时我工作不忙的时候，都会在群里给大家解决问题。

学习这件事最终还是自己的事，无论在哪里学都差不多，最后还是自己心里怎么对待，有人帮助必然会快，但其他的一切东西都是辅助，有再好的条件都有学不好的，在恶劣的环境都有学好的。如果想在Python这条路走的长，那你一定要热爱技术，热爱互联网。

要注重实践，眼到手也到，才更完美

相信很多初学者都会有这样的感觉，就是学习的时候，觉得自己能听懂，但真的，做的时候，觉得不会到处绊倒。

其实，学习一门新知识、理解一门知识，只是第一步，最重要的是实际操作，等实际操作了解得更到位后，印象也才能更深刻。千万不要眼高手低，也不要为了速度而忽视一些代码编写。

; 说说现在的我

在浙江宁波工作，然后进入互联网企业进行数据分析工作，月薪也从原先的4k提升到12k，更好的环境、更高的薪资，让我对未来的进阶学习也充满了向往。

其实工作挺好找的，面试的时候， 把一些经常面的题多复习一下，注意不要花太长时间。每面完一家，先网上搜索该题的答案，讲解，下次遇到这样的题，就能很快知了。

工作中，一定要多问同事， 遇到不懂的，多请教，直到能找到问题的解决办法，能完成上面布置的任务才是硬道理。还有平时有时间，可以多看看书，书里的内容比较系统，从最简单的开始看，慢慢会有深的体会的。

最后，想跟学弟学妹说一声， 选择比努力重要，你的努力不会被辜负，好的工作机会也会在前方等着你！

最后

在这里要与大家分享的书籍是《Python 数据分析基础教程：NumPy 学习指南（第 2 版）》，根据小编多年python开发经验，这本书是零基础入门数据分析首选佳作，需要的朋友可以微信扫描下方二维码免费领取。

; 第1章 NumPy快速入门

• Python
• 动手实践：在不同的操作系统上安装 Python
• Windows
• 动手实践：在 Windows 上安装 NumPy、Matplotlib、 SciPy 和 IPython
• Linux
• 动手实践：在 Linux 上安装 NumPy、Matplotlib、SciPy 和 IPython
• ...

第2章 NumPy基础

• NumPy 数组对象
• 动手实践：创建多维数组
• 动手实践：创建自定义数据类型
• 一维数组的索引和切片
• 动手实践：多维数组的切片和索引
• ...

; 第3章 常用函数

• 文件读写
• 动手实践：读写文件
• CSV 文件
• 动手实践：读入 CSV
• 成交量加权平均价格（VWAP）
• ...

第4章 便捷函数

• 相关性
• 动手实践：股票相关性分析
• 动手实践：多项式拟合
• 净额成交量
• 动手实践：计算 OBV
• ...

; 第5章 矩阵和通用函数

• 矩阵
• 动手实践：创建矩阵
• 从已有矩阵创建新矩阵
• 动手实践：从已有矩阵创建新矩阵
• 通用函数
• 动手实践：创建通用函数
• ...

第6章 深入学习NumPy模块

• 线性代数
• 动手实践：计算逆矩阵
• 求解线性方程组
• 动手实践：求解线性方程组
• 特征值和特征向量
• 动手实践：求解特征值和特征向量
• ...

; 第7章 专用函数

• 排序
• 动手实践：按字典序排序
• 复数
• 动手实践：对复数进行排序
• 搜索
• 动手实践：使用 searchsorted 函数
• ...

第8章 质量控制

• 断言函数
• 动手实践：使用 assert_almost_equal 断言近似相等
• 近似相等
• 动手实践：使用 assert_approx_equal 断言近似相等
• 数组近似相等
• 动手实践：断言数组近似相等
• ...

; 第9章 使用Matplotlib绘图

• 简单绘图
• 动手实践：绘制多项式函数
• 格式字符串
• 动手实践：绘制多项式函数及其导函数
• 子图
• 动手实践：绘制多项式函数及其导函数
• ...

第10章 NumPy的扩展：SciPy

• MATLAB 和 Octave
• 动手实践：保存和加载.mat 文件
• 统计
• 动手实践：分析随机数
• 样本比对和 SciKits
• 动手实践：比较股票对数收益率
• 信号处理
• ...

; 第11章 玩转Pygame

• Pygame
• 动手实践：安装 Pygame
• Hello World
• 动手实践：制作简单游戏
• 动画
• 动手实践：使用 NumPy 和 Pygame 制作动画对象
• ...

因为篇幅有限，这里就不一一展示了，需要《Python 数据分析基础教程：NumPy 学习指南（第 2 版）》PDF的小伙伴，可以微信扫描下方二维码免费领取！

Original: https://blog.csdn.net/xiangxueQAQ/article/details/123020621
Author: 凯岩城永不陷落
Title: 汽车修理工，转行程序员，成功逆袭月薪1W+

相关阅读

Title: 图像分类篇——AlexNet详解

一、概述

AlexNet是由2012年ImageNet竞赛参赛者Hinton和他的学生Alex Krizhevsky设计的。AlexNet在当年赢得了ImageNet图像分类竞赛的冠军，使得CNN成为图像分类问题的核心算法模型，同时引发了神经网络的应用热潮。
1. AlexNet的创新
作为具有历史意义的网络结构，AlexNet包含以下方面的创新。
(1)非线性激活函数 ReLU
在AlexNet出现之前，sigmoid是最为常用的非线性激活函数。sigmoid函数能够把输入的连续实值压缩到0和1之间。但是，它的缺点也非常明显：当输入值非常大或者非常小的时候会出现饱和现象，即这些神经元的梯度接近0，因此存在梯度消失问题。为了解决这个问题，AlexNet使用ReLU作为激活函数。
ReLU函数的表达式为F(x)=max(0，z)。若输入小于0，那么输出为0；若输入大于0，那么输出等于输入。由于导数始终是1，会使得计算量有所减少，且AlexNet的作者在实验中证明了，ReLU 函数的收敛速度要比sigmoid 函数和 tanh函数快。
(2)局部响应归一化
局部响应归一化(local response normalization，LRN)的思想来源于生物学中的"侧抑制"，是指被激活的神经元抑制相邻的神经元。采用LRN的目的是，将数据分布调整到合理的范围内，便于计算处理，从而提高泛化能力。虽然ReLu函数对较大的值也有很好的处理效果，但AlexNet的作者仍然采用了LRN的方式。式3.7是Hinton在有关AlexNet的论文中给出的局部响应归一化公式。

a表示第i个卷积核在(x，y)处经卷积、池化、ReLU函数计算后的输出，相当于该卷积核提取的局部特征。N表示这一层的卷积核总数；n表示在同一位置的临近卷积核的个数，是预先设定的；k、alpha、beta均为超参数。假设N=20，超参数和n按照论文中的设定，分别为k=2、alpha=10-4、beta=0.75、n=5。第5个卷积核在(x，y)处提取了特征，的作用就是以第5个卷积核为中心，选取前后各5/2=2个(取整，因此n所指个数包含中心卷积核)卷积核，因此有max=3和min=7，卷积核个数就是3、4、5、6、7。
通过分析公式，我们对局部响应归一化的理解会进一步加深。式3.7的存在，使得每个局部特征最后都会被缩小(只是缩小的比例不同)，相当于进行了范围控制。一旦在某个卷积核周围提取的特征比它自己提取的特征的值大，那么该卷积核提取的特征就会被缩小。相反，如果在该卷积核周围提取的特征比它自己提取的特征的值小，那么该卷积核提取的特征被缩小的比例就会变小，最终的值与周围的卷积核提取的特征值相比就显得比较大了。
(3) dropout
        dropout通过设置好的概率随机将某个隐藏层神经元的输出设置为0，因此这个神经元将不参与前向传播和反向传播，在下一次迭代中会根据概率重新将某个神经元的输出置0。这样一来，在每次迭代中都能够尝试不同的网络结构，通过组合多个模型的方式有效地减少过拟合。
(4)多GPU训练
        单个GPU的内存限制了网络的训练规模。采用多GPU协同训练，可以大大提高AlexNet的训练速度。

二、AlexNet的结构

下面介绍AlexNet的结构。如图所示，由于采用双GPU协同训练，该网络结构图分为上下两部分，且两个GPU只在特定的层内通信。该模型一共分为8层，包括5个卷积层和3个全连接层，每个卷积层都包含激活函数ReLU、池化和LRN处理。

AlexNet架构 层类型特征图大小内核步幅填充激活OUT全连接-1000---ReLUF10全连接-4096---ReLUF9全连接-4096---ReLUs8最大池化25666332valid-C7卷积2561313551sameReLUC6卷积3841313551sameReLUC5卷积3841313551sameReLUS4最大池化2561313332valid-C3卷积2562727551sameReLUS2最大池化962727332valid-C1卷积96555511114validReLUIn输入3(RGB)227*227----

(1)Layer1卷积层
该层接收227×227×3(R、G、B三个通道)的输入图像，使用96个大小为11×11×3的卷积核进行特征提取，步长为1，扩充值为0，通过式3.1可以得到输出特征图的尺寸。由于使用了双GPU，图3.13中的每个GPU处理的卷积核的数量均为48个。卷积后，得到大小为55×55×96的特征图。
对得到的特征图，使用ReLU函数将它的值限定在合适的范围内，然后使用3×3的滤波器进行步长为2的池化操作，得到27×27×96的特征图。最后，进行归一化处理，规模不变。
(2)Layer 2卷积层
Layer 2与Layer 1相似，它接收Layer 1输出的27×27×96的特征图，采用256个5×5×96的卷积核，步长为1，扩充值为2，边缘用0填充，生成27×27×256的特征图。紧随其后的是与Layer 1相同的ReLU函数和池化操作，最后进行归一化处理。
(3) Layer3卷积层与Layer 4卷积层
Layer3和Layer4也采用了卷积层，但只进行卷积和ReLU。不进行池化和归一化操作。Layer3的每个GPU都有192个卷积核，每个卷积核的尺寸是3×3×256.步长为1，扩充值为1，边缘用0填充。最终，每个GPU都生成的个13×13的特征图。
Layer 4与Layer3的区别在于卷积核的尺寸。Layer4不像Layer3那样接收的一层所有GPU的输入，而只接收所在GPU的输出。因此，Layer 4的卷积核的尺寸为3×3×192，每个GPU都有192个卷积核。
与Layer 3相同的是，Layer 4仍然进行扩充值为1的0填充，且步长为1。最终，Layer 4的每个GPU都生成192个13×13的特征图。卷积后，这两个层都会由ReLU函数进行处理。
(4)Layer 5卷积层
Layer 5会依次进行卷积、ReLU和池化操作，但不进行归一化操作。该层中的每个GPU都接收本GPU中 Layer 4的输出，每个GPU使用128个3×3×192的卷积核，步长为1，使用扩充值为1的0填充，各自生成128个13×13的特征图后进行池化操作。池化尺寸为3×3，步长为2，最终生成6×6×128的特征图(两个GPU，共256个)。
(5)Layer 6全连接层
从该层开始，后面的网络层均为全连接层。Layer 6仍然按GPU进行卷积，每个GPU使用2048个6×6×256的卷积核，这意味着该层中的每个GPU都会接收前一层中两个GPU 的输出。卷积后，每个GPU都会生成2048个1×1的特征图。最后，进行ReLU和dropout操作，两个GPU共输出4096个值。
(6)Layer 7全连接层
Layer7与Layer6相似，与Layer6进行全连接，在进行ReLU和dropout操作后，共输出4096个值。
(7)Layer 8全连接层
Layer 8只进行全连接操作，且该层拥有1000个神经元，最终输出1000个float型的值(该值即为预测结果)。

三、构建AlexNet

构建LRN层

LRN层通常用lambda层进行包装，参数一般设置如下：

model.add(keras.layers.lambdas(lambda x: tf.nn.lrn(x, depth_radius=2, alpha=0.00002, beta=0.75, bias=1)))

也可以用自定义层实现：

class LRN(keras.layers.Layer):
    def __init__(self, depth_radius=2, bias=1, alpha=0.00002, beta=0.75, **kwargs):
        super().__init__(**kwargs)
        self.depth_radius = depth_radius
        self.bias = bias
        self.alpha = alpha
        self.beta = beta

    def call(self, input):
        return tf.nn.lrn(input, self.depth_radius, self.bias, self.alpha, self.beta)

    def get_config(self):
        base_config = super().get_config()
        return {**base_config, 'depth_radius': self.depth_radius,
                'bias': self.bias, 'alpha': self.alpha, 'beta': self.beta}

构建模型：

model = keras.Sequential()
# 第一层
model.add(keras.layers.Conv2D(filters=96, kernel_size=(11,11), strides=(4,4), input_shape=(227,227,3), padding="VALID", activation="relu"))
model.add(LRN())
model.add(keras.layers.MaxPooling2D(pool_size=(3,3), strides=(2,2), padding="same"))
# 第二层
model.add(keras.layers.Conv2D(filters=256, kernel_size=(5,5), strides=(1,1), padding="SAME", activation="relu"))
model.add(LRN())
model.add(keras.layers.MaxPooling2D(pool_size=(3,3), strides=(2,2), padding="same"))
# 第三层
model.add(keras.layers.Conv2D(filters=384, kernel_size=(5,5), strides=(1,1), padding="SAME", activation="relu"))
# 第四层
model.add(keras.layers.Conv2D(filters=384, kernel_size=(5,5), strides=(1,1), padding="SAME", activation="relu"))
# 第五层
model.add(keras.layers.Conv2D(filters=256, kernel_size=(5,5), strides=(1,1), padding="SAME", activation="relu"))
model.add(keras.layers.MaxPooling2D(pool_size=(3,3), strides=(2,2), padding="same"))
# 第六层
model.add(keras.layers.Flatten())
model.add(keras.layers.Dense(4096, activation="relu"))
model.add(keras.layers.Dropout(0.5))
# 第七层
model.add(keras.layers.Dense(4096, activation="relu"))
model.add(keras.layers.Dropout(0.5))
# 第八层
model.add(keras.layers.Dense(10, activation="softmax"))

注：LRN层也可用BatchNormalization替代，性能也还OK

Original: https://blog.csdn.net/qq_52053775/article/details/124377926
Author: 樱花的浪漫
Title: 图像分类篇——AlexNet详解