1 写在前面

技术成长，我的理解就是利用掌握的知识，逐渐独挡一面的过程。
奥义：坚持。
刚工作时，作为小白，
没有明确的发展路径，公司对于新人同样没有明确的要求，
于是，我开始了放羊式地工作，其实，是公司给机会学习，
非常感谢这第一段工作经历，有机会接触到人工智能方面的知识。
人工智能领域，经过1年的学习，逐渐形成自己的知识体系，
回头看时，我的学习路线如下图所示，
由图可知，我的学习过程比较简单，
从选择开发语言（Python）、框架（Flask、TensorFlow）、数据库（MySQL）到服务部署（Docker）、测试（Postman），
至此，入门人工智能。

2 学习过程

工欲善其事必先利其器。
上面的学习路线罗列了我的成长路径，不过比较抽象，
接下来我会按照顺序介绍学习过程中使用的工具，
工具熟练使用了，说明，你已经从理论到实践了，
这些工具串起来，就是完整的技术成长历程。

选择并学习计算机编程语言。
计算机作为21世纪最伟大的发明，已经如同空气般存在。
而，计算机编程语言，作为人类为使用计算机计算资源完成计算任务的利器，
百花齐放，不同的领域，都有各自的主流编程语言，
人工智能领域，首选Python，所以，我从学习Python开始，为后续的模型训练做准备。
一切故事始于Python。
要想在某个计算机细分领域内有所建树，必须熟练掌握一门该领域主流的编程语言，因为，她是你完成任务的发动机，你的脑袋好比燃料，没有发动机，燃料自然没有用武之地。

工欲善其事必先利其器，选择合适的集成开发环境。
Python集成开发环境众多，如Spider、Jupyter、VSCode、PyCharm等，
我使用PyCharm开发，她可以智能提示，选择虚拟环境，并且可以自定义虚拟环境，当然，搭配Anaconda，这里就不罗列了。
关于集成开环境，同样要熟练使用，
她不仅可以提高生产效率，还可以提高问题排查效率。

这是我学习的第一个Web框架，起初，学习Flask是为了将模型作为服务提供给客户，
Flask是使用Python开发的后台框架，天然可以集成TensorFlow（Python版）训练的模型，
将模型集成在Flask中，既可以提供模型功能，又可以自定义业务逻辑，是两全其美的工具，
但是，直接将模型集成在Flask中，模型每次更新，都需要重新上线后台服务，
没有做到解耦，在后来的规划中，打算将模型服务和后台服务解耦，
通信使用http或者grpc。

后台开发，当然离不开数据库，
最熟悉的莫过于增删改查，
这里选择MySQL社区版，开始了MySQL学习之旅。
MySQL作为OLTP利器，被众多业务系统广泛使用。

后台接口开发，接口测试是必经之路，
这里选择Postman作为接口测试工具，
Flask集成Swagger比较麻烦，所以，借助外部接口测试工具，
Postman提供云存储方案，可以团队协作，接口共享。

接口开发和测试，只是业务的第一步，
接下来要部署服务，
这里选择Docker作为服务部署的容器，
使用Docker部署服务，可以高效利用服务器资源（指定服务占用资源），保证服务稳定（如开机自启、自动重启等）。
以上，即完成后台服务的开发、测试和部署。

开发过程中，不可避免地要与操作系统打交道，
后台服务，我学习过程中，服务部署在Linux系统中，
因此，对于Linux的学习必不可少，
包括基础的文件操作、shell脚本等，
这为后来的模型训练、部署等打下了基础。

上面都是准备工作，为后续的人工智能学习和实践打基础。
同样，人工智能领域的框架也是众多，如Tensorflow、Caffe、PyTorch、MXNet等。
这里，选择Tensorflow深度学习框架。
为什么选择Tensorflow？
（1）工具种类齐全；
（2）简单易用；
（3）兼容性好、体验效果好；
（4）全生命周期；
（5）易于维护。
当然，论文阅读也是必不可少的，无需多讲。
上面就是我的技术成长印记。

3 成果

在人工智能领域，通过坚持学习，出版了《基于TensorFlow2.0的人工智能开发应用》一书。

技术成长心得：

• 坚持
• 理论结合实际