最近趕工專題，但是卡在技術力不足：網路上實現 neural network 的教學都太簡陋了 … 例如機器學習及深度學習社團的一些「大神」的實作教程，直接兩手一攤解釋完論文圖片，程式碼自己看，完全派不上用場。我的問題主要有以下幾個：
- 不熟練 tf.Keras / PyTorch 各模塊及功能的操作，我只有 back propagation 跟 automatic differentiation 的概念
- 需要針對 dataset loader 還有 train 程式更細節的介紹；Coursera 的課不太包含這一塊
- 需要有初步示範如何把數學及 pseudo-code 轉換成 Python 程式碼。Deep Learning 這樣以數學爲主的書對我來說太深而且也無從應用起
在網路遍尋無果後，突然發現一套極好的教材已經存在我的硬碟中 - Deep Learning for Computer Vision - 由 Adrian Rosebrock 撰寫的鉅細靡遺的讀物。我硬碟中是在 Libgen 抓到的 1.1 舊版，使用 MXNet 爲框架，以 object detection 跟 classification 爲主（ImageNet 競賽），沒有 segmentation 的內容。我看了一下網站，注意到新版已經全數更換到 TensorFlow 2.0 以及 tf.Keras 上；同時，官方也有了 segmentation 的課程 - Mask R-CNN - 但是僅在付費的 bonus bundle。我只好屁股夾緊，用參加新思維課程的心境，把這兩萬元的書籍併課程買下來。決定儘快把這套讀物看完，同時一邊補數學的洞；等這套都搞定了，再回頭讀 NN 的原始論文。
另外，我前天值班時候研究怎樣用 Emacs 寫 Python，搞了半天，還不如 PyCharm 容易使用。不過，經過簡單調教，Emacs 搭配 lpy 也是很不錯的（我蠻常需要寫一些 web crawler 還是 utility 的），就不需要切換我的 PyCharm，還可以有純文字的靈活性。
補充：現在都用 VS Code 搭配 remote SSH 來寫了，直接連線到大主機（跑機器學習）或小主機（持續在線不關機）。