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。
专栏介绍针对上面的这些问题，王老湿邀请到了专栏作者LeonWang，作者现为中科院特别研究助理(博士后)，国内某软件行业领头企业AI部技术负责人，在AI、数据科学和科学计算等方面相关的工程实践上积累了丰富的经验，他将在接下来的这段时间里为大家带来专栏《AI炼丹炉工程实践指南》，这个专栏里的一部分内容就包含了上述问题的解决方案。
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
VIM为何能被成为编辑器之神
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
交流学习为了方便大家更好地与作者进行沟通交流，为此王老湿针对《AI炼丹炉工程实践指南》这个专栏成立了北京中科白癜风医院科学大讲堂北京中科白癜风医院科学大讲堂
转载请注明：http://www.baoshijiec.com/ylhx/4020.html
