三年前，我差点成了爬虫大师

最近很多刚入学的学弟学妹给我们留言，听说算法岗现在竞争很激烈，还能转机器学习吗？实习对于找工作重要吗？

看完他们的疑问，三年前的经历在我眼前历历在目。

研一修完毕业学分后，我去创业公司实习了一年。期间，我从爬虫入手，一路摸爬滚打，实现了千万级微博评论自动抓取，在即将成为“爬虫专家”前，受师兄指点转向DL算法。

下面我以「就业」为导向，分享一条亲身经历的学习路线。参考这个方法，在深度学习方向拿到offer进大厂，不是啥难事儿。

一、研一：基础理论学习

研一的主要工作是学理论，打基础。

然鹅学校的课程基本属于科普讲座，很多内容仅靠上课是远远不够的。

这里我把第一年的学习任务细分了4个方向。

1）深度学习理论

基础不牢，地动山摇。没有扎实的基本功，无论是做科研还是做项目，都很容易捉襟见肘。

那怎样学习效率最高呢？

如果你觉得看大头书很枯燥（比如《深度学习》花书），我推荐你直接看吴恩达和李宏毅老师的深度学习视频课。

内容既权威又有趣，看完会让你觉得学习简直是一天中最快乐的事！

这些网课都有配套的编程练习，学一课做一课，养成好习惯，及时查漏不缺。

看完视频，如果想检测一下自己的学习效果，推荐你参考我在知乎的一篇回答，看看第一部分“理论基础”问题，自己能轻松解答多少。

如果你是面试官，你怎么去判断一个面试者的深度学习水平？[1]

例如了解前向传播反向传播，以及链式求导；给一个两层的MLP和简单的二维向量，能推导出 forward propagation，再用 chain rule 推导出 back propagation。

2）确定研究方向

经过前面的理论学习，你应该发现深度学习领域有很多细分方向，例如语音、自然语言处理、视觉、强化学习、纯深度学习理论。

所以第二步我们要明确自己的研究方向，并在之后两年的学习中有所突破。

如果你喜欢语音交互，熟悉C++，可以选择语音识别、语音合成等研究课题；

如果你喜欢研究文本和对话，熟悉Python和爬虫，可以选择自然语言处理方向；

如果你喜欢图片与视频，熟悉Python，对算法落地也很感兴趣，可以选择计算机视觉方向；

至于强化学习、深度学习理论研究等方向，如果不是自身基础非常扎实或有优秀的师兄师姐指导，建议谨慎入坑。

这一步大家不要着急，既要了解不同方向，更要认真了解自己，包括能力、性格、特质。如果对自己研究领域没有热爱和兴趣，到了中后期会非常痛苦，即便再换方向，沉没成本也会很高。

好比让你挑一道菜吃十年，什么才会是你的首选呢？

3）阅读经典论文

选好方向之后，下一步的重点是阅读该领域的经典论文，包括传统方法，以及近期热点。

如果你和我一样主攻自然语言处理方向，那应该对最早期的神经网络语言模型(2003)、静态词向量word2vec(2013)、动态词向量ELMO(2018)、预训练语言模型BERT、RoBerta、GPT(2018-2020)，以及近期流行的prompt训练(2021)都有清晰的认识，明白哪些场景适用哪种方法。

然后再往下细分，选择子领域内的论文阅读。

如果研究对话系统，对于常规的分类、匹配算法应该非常熟悉，同时了解基于神经网络的DST算法，不同召回策略等等。

还不知道怎么搜论文的同学，这里教你两种万能搜索方法。

1. 正向检索

在谷歌学术、arxiv、ACL Anthology输入英文关键词，检索相应主题的paper，注意查看发表年份和引用数量。

或者直接查找近年的survey文章，在综述中查看主要的研究分支和related work。

2.反向检索

在谷歌学术的搜索结果页面，点击某一篇论文的“被引用次数”，跳转进入引用了该论文的所有paper。

底层逻辑是引用了A论文的其他论文，基本都和A论文所属的研究领域一致。

这两种检索方法，可以大幅提高查找文献的效率。

4）强化一门主流编程语言

通过以上3步，我们已经具有了相对系统的理论基础。然而“巧妇难为无米之炊”，有idea却无法通过编程实现，还是白搭。

所以接下来，我们要给军火库增添几样重型武器，包括一门主流编程语言(深度学习一般用Python)，深度学习框架(推荐Pytorch)，服务器调用(Linux指令)，IDE使用(Pycharm或Vscode+jupyter lab)等。

有了这些工具，开发深度学习项目会方便很多。

而且从目前大家都在卷的情况看，coding已是基本功，是技术岗通过面试的底线。

一边学习，一边每天在leetcode上刷1～2道算法题，校招找工作会事半功倍。

进入研二，大家可选的路更多了。有的同学继续在实验室从事科研，以做实验发paper为目标，有的同学已经走出校园开始提前实习。

这两种选择没有好坏，关键要适合自己。最怕每天窝在宿舍吃外卖打游戏，毕业只多了张文凭。

二、科研与学术

有些同学是主动从事科研的，例如我身边就有本科发表顶会，硕士毕业已手握6-7篇CCF-A一作的巨佬。

也有导师不放实习，“被迫”滞留实验室的同学。研二时的我就属于这一类，虽然拿到了大厂实习offer，又被劝退重回学校搞科研。

总的来说，做科研四分靠实力，三分靠努力，还有三分天注定。

实力首先指理论扎实，具有敏锐的学术嗅觉，懂得挖掘idea；英语阅读、写作过关，用词地道，知道怎样写paper容易中稿；同时编程强悍，能快速迭代实验，验证结果。

有同学可能某方面薄弱些，可以通过大三大四以及研一研二的努力来弥补。

即便手握七成概率，paper能否中稿还和评审人的口味等“随机因素”相关，有一定运气成分。

所以做科研挺有风险的，如果忙活了2-3年没中论文，硕士生涯几乎等于nothing。

之前听一位985师兄说，他们实验室有50多个深度学习方向的博士，每当夜深人静之际，经常能听到博士宿舍楼传来哭声(科研压力太大，没有达标数量的paper毕不了业)。

甚至还有博士生在实验室做实验，做着做着就哭了。

三、项目与实习

相比之下，在互联网公司找到一份实习要容易很多。

虽然内卷天天有，但只要研一没摸鱼，研二进一家第一第二梯队的大厂一般问题不大。再不济，也能去偏头部的创业公司。

在公司实习，主要是积累项目经验，把之前学习的理论落到实处。同时提前了解公司的管理流程、开发部署环境等等。

实习经历将会是简历的一大亮点，越来越多大厂开始更加重视实习。一段充沛的实习经历（3个月以上）丝毫不逊色于发表一篇顶会论文。

这是我导师部分硕士的毕业去向，有很多学术大佬，他们也会提前去公司实习。有的顺利转正，有的跳槽拿了更好的offer。

如上，走大厂实习转正是拿到校招offer的很好选择。部分大厂（如阿里）很多hc很早就预定给实习生转正了，走常规秋招难度要大很多。

如果想实习导师却不放人，建议提早和导师沟通协调。如果只能留在实验室，赶紧看看有没有靠谱的项目，能提供指导的师兄师姐。

如果导师放养，又不让实习，还不给机器，那兄弟你只能自求多福了！

四、总结

研究生2-3年的时间非常短，如果热爱学术，想要对整个研究领域产生个人影响，建议先出门右拐读个博。

另外，深度学习也没有想象中的那么高大上。大部分业务导向的算法岗，很多时候在和数据分析打交道、跟各个部门对齐需求，真正让你训模型跑实验的比例其实很低。

在工业界，模型是否新颖不是最重要的，通过A/B测试，验证算法能给公司真正带来经济效益才是关键。

为什么还有那么多同学反馈算法面试好难呢？

因为僧多粥少，除了计算机，还有各个专业的同学一起往里卷，门槛自然水涨船高。因而有了“面试造火箭”的说法，公司也正好通过面试刷掉一批想浑水摸鱼的人。

从这个角度看，提早选择开发岗也是一种不错的折中。开发岗需求大，和算法的薪资差距也越来越小。

不管选择什么，认真了解自己，适合自己的才是最好的。

千淘万漉虽辛苦，吹尽狂沙始到金。

无论什么岗位，成长、薪水、福利都是和付出成正比的。只有自己努力，才能在研究生阶段学有所成，收获满意的offer！

- END -

觉得还不错就给我一个小小的鼓励吧！