高效学习神经网络技术——以具体的任务类型为切入点

这段时间一直在学习神经网络技术，包括神经网络模型架构，神经网络设计，数据集前置处理等；但这几天突然发现一个问题，会看这段时间的学习，虽然不能说一点收获都没有，但却觉得进度很慢，而效果也不好。

比如说，到目前为止依然没有理解怎么实现一个具体的神经网络网络，以及独立设计和实现一个数据集。

原因主要有两点，一是学习的过程中全都是自己摸着石头过河没有人能指导；其次很重要的一点就是学习的方法不对，学习的过程中是把神经网络不同模块分开来学的，但却没有认识到神经网络技术是一个多环节的整体。

在学习神经网络技术的过程中，又犯了一个常见的错误；抛开了具体的任务需求，去尝试学习一些所谓的“通用”技能；比如神经网络需要模型设计，数据集处理等。

但神经网络是一项复杂的技术，不同神经网络之间，以及不同数据集之间虽然有一些交集，但更多的是巨大的差异；虽然从更抽象的角度来看，神经网络技术都需要经过固定的几个步骤；比如模型设计，数据集整理，损失函数，优化算法，训练等；但不同的神经网络，其每一步都是有差别的。

比如说在自然语言任务和图像处理中，对神经网络的结构以及数据集的要求都是不一样的；两种任务类型存在着天然的技术差异。

因此，在学习的过程中，最好的方式是从具体的任务出发，去解决具体的问题；而不是把技术当作空中楼阁，单纯的去学习技术，而这也是技术人员在学技术的过程中会经常犯的错误和问题。

最直接的体现就是，我们在学校或者在学习某一项新技术的时候，总是喜欢从理论和基础出发；然后结果就是，一段时间花大力气学的东西，没几天就忘得差不多了。

虽然说不懂技术和理论，很难去上手去做一件事情；但如果是从问题出发，比如为了解决某个问题，然后去学习某个技术，这时学东西就会特别快；然后因为有具体的应用场景，因此就会记得更深刻，理解的也更深刻，也更难忘记。

以作者自己学习数据集处理的过程来说，在自然语言(NLP)任务中，不同的NLP任务，需要不同形式的数据集；比如说分类任务，问答任务，聊天任务，需要的数据和神经网络模型都是不一样的。

而在数据集处理的过程中，其要求和处理过程也是不一样的；举例来说，在比较严谨的应用场景中，训练语料中需要的是严肃且严谨的内容；而在一些感情领域，需要的不是逻辑性，而是有足够的情绪表达。

而这两种模式，即使模型是相同的；但语料绝对不会一样，因此在具体的数据集收集和处理的过程中也不能一样。前者需要把嘿嘿，哈哈等情感词汇作为停用词，但后者需要把嘿嘿，哈哈这种情感词汇作为关键词。

而去由于没有经历过完善的神经网络设计与训练流程，虽然感觉自己每个环节都学了，但结果却是每个环节都不一样，整体就更不行了。