算法原理稳如狗，工程落地慌得很！AI炼丹炉实践指南来啦~

随着深度学习框架以及云计算的普及，每隔一段时间就会被各种新出的算法刷爆朋友圈，比如之前的GAN、Bert、XLNet等，当我们想要去复现论文中的算法结果，或者打算将新算法落地去解决公司实际的业务问题时，这时候会遇到各种各样的问题，最常见的一个问题莫过于：代码环境或者代码版本不同，无法复现结果。这个问题往大了说其实就是工程问题。

由于我们大多数算法从业者其实所作的工作都是算法应用，也就是说使用已有的算法去解决实际的业务问题。想要完成这样的工作，工程能力必不可少。如果将AI中算法模型的训练比做炼丹的话，那么和算法模型相关的一些工程部分可以看作是炼丹炉。想要炼制一颗好用的丹药，没有一个好用的炼丹炉是万万不能的。

专栏介绍

这个专栏主要针对AI项目经常遇到的项目代码运行中涉及到的众多工程问题，分门别类进行介绍和讲解。专栏主要面向对AI项目工程方法有一定问题的初级或中级读者。

整个专栏分为两部分：基础篇和进阶篇。

基础篇包括Linux，虚拟环境和Docker容器等AI项目经常所需要的工程基础，进阶篇主要从AI项目组织、计算速度优化、打包分发、流程管理以及R相关技术介绍等方面进行展开，以满足具备基本工程基础的读者的实际需要。

专栏目录

基础篇

• 论 AI 项目的工程素养

• AI 项目的 Linux 命令基础

• AI 项目的 Shell 脚本基础

• AI 项目的虚拟环境（Python 篇）

• AI 项目的虚拟环境（Conda 篇）

• AI 项目的 Docker 技术

• AI 项目的 Docker 技术（Nvidia-Docker）

• 桌面程序 Docker 化

• AI 项目的 版本管理与协作

• AI 项目的常用 Git 命令

• 数据科学家的 Jupyter 演示工具

• 比 PPT 更有范的 Slides 演示工具

• AI 项目中的常用 VIM 技巧

• Python 相关的 VIM 配置和优化

• 多窗口管理神器 – Tmux

• 优雅的命令行环境 Oh-My-Zsh

• 优雅的命令行全家桶方案

进阶篇

• AI 工程项目的目录结构（Tensoflow篇）

• AI 工程项目的目录结构（Pytorch篇）

• 通用的Python项目目录结构模板库cookiecutter

• Python 速度优化之避免 for 循环

• Python 速度优化之并行化

• 好车需要好轮子 —— Python中的wheel包

• Cython 简介

• Cython 语法介绍

• Cython 实战与后续学习方法

• 发布自己第一个 AI 包（PyPI 篇）

• 发布自己第一个 AI 包（Conda 篇）

• 制作自己第一个 AI 命令行程序

• AI 项目的全流程管理

• R 下的数据科学与 AI 相关功能简介

• R 下的深度学习框架

• Rmarkdown 简介

• 用 R 制作酷炫的幻灯片

• 开发 R 包的利器devtools

• R 代码如何避免 for

• R 的并行化

• RCPP 简介

• R 与 Python 的工具箱对比

交流学习

加入方式：扫描下方王老湿的微信二维码，添加微信，王老湿来邀请你加入交流群。

由于后续会有多个专栏发布，为了避免加错交流群，所以想要加入这个专栏的交流群时一定要备注：AI炼丹炉。 

（完）

历史推荐

人人都是数据分析师，人人都能玩转Pandas | Numpy 精品系列教程汇总 | 我是如何入门机器学习的呢 | 谷歌机器学习43条黄金法则

文章知识点与官方知识档案匹配，可进一步学习相关知识算法技能树首页概览34716 人正在系统学习中