来源：Coursera吴恩达深度学习课程
作为deeplearning.ai课程的一部分，Andrew希望除了教授技术理念之外，同时介绍一些深度学习的先驱给大家认识。在这个视频中，Andrew也希望问问这些先驱们，能不能给一些工作上的建议，关于如何入门深度学习，如何做课题研究或者如何在深度学习领域找一份工作。【人工智能行业大师访谈4】吴恩达采访Yoshua Bengio。接下来，采访林元庆，文章末尾有总结。
吴恩达：欢迎你，元庆，今天你能参与我们的活动，我真的很高兴。
林元庆：没问题。
吴恩达：如今你是IT届的领头羊，当中国政府寻求英才，去着手建立国家深度学习实验室（National Deep Learning Research Lab）时，他们发掘了你。我认为在深度学习领域，你可以说是全国第一人。我想问一些关于你工作的一些问题，但在这之前，我想听听你的个人经历，那你是如何发展到做现在的工作的？
林元庆：好的，事实上，在我读博士之前，我的专业是光学（Optics），光学和物理学（Physics）有很多共同之处。我认为，我的数学基础很坚实。我来美国之后，我就想什么专业能做我的博士课题？我就想，好吧，我可以选择光学或者其他什么的，早在2000年的时候，我觉着那时候纳米技术（nanotechnology）很火，但我当时就想也许我应该着眼于更激动人心的东西，恰巧那时有个好机会，我在宾夕法尼亚大学上课，在那儿，我认识了Dan Lee，之后，他成了我的博士导师，我就想机器学习是很棒的一件事情，我兴奋异常，然后换了专业，因此我是在宾夕法尼亚大学读的博士，我的专业是机器学习。我在那呆了5年，很令人兴奋的时光，我学到了很多东西，很多算法甚至是PCAs，我以前从不知道那些东西，我感觉每天都会学到新的东西，所以对我来说，那是极其令人激动的经历。
吴恩达：那是你许多新尝试之一，你做了很多工作，尽管在那些时代并不为人所欣赏。
林元庆：对，确实是，所以我认为NEC（美国智能图像研究院）是个神奇的地方，刚开始我在那儿的身份是一名研究人员，我也喜欢，学到很多东西的感觉。事实上，在NEC的后期，我开始研究计算机视觉方向（computer vision），说真的，在计算机视觉领域，我起步相对较晚，那时我做的第一件事是参加了ImageNet大规模视觉识别挑战赛，那时这个比赛第一年举办，我负责一个团队研究一个项目，很幸运，我们实力很强，我们得了第一（got the number one place），以绝对的优势得了第一。
吴恩达：所以你是ImageNet挑战赛冠军的第一位得主？
林元庆：是的，我在那场会议上做了演讲，对我来说，那是一次很棒的经历，那让我接触到了如此大型的计算机视觉技术。从那时起我就开始研究这种大型问题了，当纽约时报（New York Times）头版文章发表后，之后关于AlexNet也被发表时，我真的很震惊，我想，哇，深度学习是如此强大（deep learning is so powerful），从那以后，我在此方面付出很多努力。
吴恩达：作为中国国家深度学习实验室的主任，你们肯定正研究很多振奋人心的项目，那对正在观看的全球观众而言，关于这个实验室，他们应该了解些什么？
林元庆：国家工程实验室的目标就是建立一个巨大的深度学习的平台，希望是最大的一个或至少在中国是最大的，这个平台会给大家提供深度学习的框架，类似于PaddlePaddle，我们会提供大规模的计算资源，我们还提供庞大的数据库。如果大家能够能在这个平台上开展研究或开发好的技术，我们会提供巨大的应用空间，比如说，技术在巨大的应用如百度上被证明，技术水平就可以融合进来并对其做出改善，因此，我们认为整合这些资源。我认为会造就一个强大的平台，我各举一个例子，比如说，我们现在发表了一篇文章，另一个人想要重复操作的话，最好的方法就是在某平台处提供代码，之后你就可以把代码下载到电脑上，，你会尝试寻找某处的数据组，然后你大概也需要得到好的计算能力，以便让你的计算资源运转如飞。所以这一切会让你省些功夫，在国家实验室工作将会变得很容易，如果某些人应用此平台做一些工作，写一些文章，实验室能在平台上拥有这些代码，计算架构已经建立起来了，数据也是，基本上你只需要一根线把数据库连接起来，所以，这可以给计算机科学重复性问题的损失带来巨大改善。所以，很简单的，在几秒之内，你就可以开始学习文献上的一些东西，对，这是很强大的，所以，这只是我们工作中的一个例子，以确保我们提供给整个社会和产业一个真正有效的平台（a really powerful platform）。
吴恩达：太神奇了，这确实加速了深度学习研究。
林元庆：没错。
吴恩达：你能透露下中国政府给国家深度学习实验室提供了多少资源吗？
林元庆：我认为，对于国家工程实验室而言，政府可以投资建设一些基础设施（infrastructure），但我认为更重要的是这将会成为中国的一个旗舰机构（flagship），引领许多有关深度学习方面的研究，包括像国家项目，法律政策等，事实上这是很有效的，我认为百度，我们很荣幸拥有这个实验室。
吴恩达：你可以说是居于中国深度学习领域的核心地位，中国有很多项目，全世界的观众都还未曾意识到或见到。那国外的人们，应该对中国的深度学习领域有哪些了解呢？
林元庆：我认为在中国，尤其是过去的几年，深度学习充实了一个产品，此领域的确在急速发展（booming），从搜索引擎（search engines）到，比如说，词组识别（phrase recognition），监控（surveillance），乃至电子商务（e-commerce）等许多方面。我认为，他们正在深度学习领域投入巨大的努力，并充分利用技术使这个产业变得更有影响力。总体而言高科技的发展是很重要的。我认为对我来说，能和许多人分享这些，我们相信，这是很重要的，这通常被称为正向循环（positive loop）。举个例子，我们开始构想建立一些技术，这些技术会有一些初始数据，也会有一些初始算法，这些会形成服务的初始产品，接着我们能获得用户的数据，其他人会得到更多的数据，所以，我们就可以研发更好的算法，因为我们看到更多的数据就会找到更好的算法，于是我们就有了更多的数据和更好的算法，我们就可以为产品服务提供更先进的技术，然后我们也绝对希望会吸引到更多的用户，科技变得更加先进，接着，我们就可以得到更多的数据。这是非常好的积极地举措，这也是很特别的，尤其对于AI相关的科技和比如激光（laser）等传统科技（traditional technology）而言。我以前研究过那些，所以，科技发展的过程会变得线性，但之前AI科技因为有了正向的循环，你可以想象科技肯定会发展的非常快，当我们进行研究时，这也是很重要的。当我们设计ND时，我们在快速发展时期的方向研究，，但如果整个产业没能够建立起这个正向循环，如果我们没能够建立起这个强大的正向循环，这很可能行不通，因为有远见的其他人会建立起此循环，他们会比我们更快的到达那个水平。对我们而言，这个逻辑很重要，需要我们注意，比如说，你需要一个公司，那我们该在哪个方向研究，不该在哪个方向研究，这绝对是需要注意的因素。
吴恩达：如今，无论在中国，还是美国乃至全球有许多人想进军深度学习和AI领域，对于那些人你有什么建议？
林元庆：如今，初始进军者肯定拥有开源框架（open source frameworks），我认为这是很有效的。当我开始研究深度学习时，当时并没有很多开源资源可用，但今天，在AI特别是深度学习领域，是很好的一个社区，那有很多很杰出的人才，就像是TensorFlow、caffe，他们也称之为caffe 2是吧？在中国，我们有很好的PaddlePaddle。甚至是在网上，他们有很多教学课程，教你怎么利用那些资源，还有，如今也有很多公共可用的标准，人们会看到技术高超，富有经验的先驱（skillful, really experienced people），比如，他们是怎么利用那些标准的。总的来说，这是接触深度学习的好时机（it’s time to get familiar with deep learning）。我认为，这些都是很好的出发点（really good starting point）。
吴恩达：你是如何得到这些启发的？
林元庆：事实上，我曾走在南辕北辙的路上，我学习了PCA 、LDA等其它之后，才学习的深度学习。总体而言，我感觉这也是条不错的学习道路，打下了很多基础，我们学习了图模型，这些都是很重要的。尽管现在，深度学习发展的无法想象，但知道一些规则会给你关于深度学习的运作模式很好的直觉感。然后有一天，深度学习和法则之间会产生关联，就像框架和途径那样（One day, probably leads connection of deep learning into laws like a framework or approach.）。我认为这之间存在很多联系，这些法则丰富了深度学习，我的意思是为深度学习提供了多样途径，是的。我认为开放源码是很好的开始，那是很有效的资源，我还会建议你学习一些有关机器学习（machine learning）的基础知识。
吴恩达：谢谢你，听起来很棒，即使我认识你很长时间了，我现在都没想到你思考的很多细节，很感谢你。
林元庆：谢谢让我参与。
总结：利用好开源框架，像是TensorFlow、caffe和PaddlePaddle。今天，在AI特别是深度学习领域，有很好的一个社区，那有很多很杰出的人才。甚至是在网上，他们有很多教学课程，教你怎么利用那些资源，还有，如今也有很多公共可用的标准，人们会看到技术高超，富有经验的先驱（skillful, really experienced people），比如，他们是怎么利用那些标准的。总的来说，这是接触深度学习的好时机（it’s time to get familiar with deep learning）。
说明：记录学习笔记，如果错误欢迎指正！写文章不易，转载请联系我。