对深度学习从业者要说的话
深度学习的前身是神经网络，属于机器学习技术中的一种，诞生于半个多世纪以前，随着计算硬件水平的提升，工业大数据的积累以及相关理论的完善，如今得以在各行各业大展拳脚。从应用领域来说，人工智能相关的主流领域，包括但不限于计算机视觉，自然语言处理，语音处理等，都得益于深度学习技术的发展而大大拓展了相关工业界的应用，那么学习深度学习到底是需要掌握哪些知识呢？这里我重点说几个。
(1) 深度学习理论的熟悉。
不是所有的从业者都需要在深度学习理论上有所建树，但是我们必须要熟悉它。熟悉它的学习机制，为什么有效，到底适合什么样的任务。熟悉其中初始化，激活机制，归一化，正则化，优化方法，优化目标，可视化等内容。
掌握深度学习理论，这样才能更深刻地理解模型，才能在你的模型无法正常工作时，定位到问题。
(2) 模型架构的设计和优化。
模型的设计和优化是从业者必须熟熟练掌握的能力。掌握它你才拥有一定的原创能力，能够针对不同的任务选定合适的模型，能够将模型的性能真正发挥出来，能够知道模型的瓶颈在哪里，能够将模型推进到真正的工业界上线使用。
掌握模型架构的设计和优化，是区分技术研发人员和技术应用人员的重要指标。
(3) 深度学习开源框架。
作为一门应用学科，工具是重要基石，而深度学习开源框架根据不同的应用场景，并未或者说不太可能形成大一统的趋势，所以一个熟练的工程人员都会掌握若干主流框架。
长期从业者应该尝试从用框架到逐渐自己搭建框架，进一步提高编程与设计能力。
对计算机视觉从业者要说的话
计算机视觉技术诞生于半个多世纪以前，随着深度学习技术的成熟开始在很多领域大规模落地，以研究方向来说，大大小小至少数十个领域。这里我重点想说的有几件事情。
(1) 计算机视觉技术饱和了吗？这是在过去的一段时间里被反复讨论的主题。
我认为研究领域没有饱和，诸如3D图像，计算机图形学等领域甚至只能说初探其境，很多老问题如分类检测跟踪也在与复杂的现实场景做搏斗，很多底层问题如图像增强离产品落地也有距离，从视觉感知要走到人类理解的水平，还远远谈不上饱和。工业届的很多行业都还等着计算机视觉技术去优化流程，降低成本，我们要把目光放得更大更远，而不仅仅是龟缩于自己感兴趣的小圈子。
所谓饱和，饱和的是浅尝辄止的心态，如果不求甚解，并不爱这个行业，那么我的建议就是劝退。
另外，关于算法工程师，请大家不要停留在算法工程师就是看看文章做做调参这个认知上，它要做的事情很多。搜集合适的数据，选定项目方案，模型优化部署，算法后续迭代，都不是简单的工作。
(2) 达到一个什么样的水平可以去找工作？
这应该是取决于你想找一个什么样的工作，一个行业发展渐趋成熟稳定后，从业者肯定是金字塔分布。
如果将这一行的从业者分为三个梯队，那么第一梯队是顶级研发人员，占比不会超过5%，大部分同志并不会成为其中一员，在没有三五年的积累后不用考虑这个问题。
第二梯队是大中小企业的一线开发，占比至少在60%以上，所需要的技能是丰富的项目经验和扎实的编程能力，其中难点在于培养出对项目的敏感性，能够以较低成本不走歧路地完成项目。如何成为这样的人，第一步至少要先熟练掌握计算机视觉的基础算法，精读足够多的文章，从头到尾完整做过多个不同方向的项目。
第三梯队是非核心开发人员。很少有人一上来就担当大任，所以一开始入行往往是从这个梯队开始的，跟着别人做事学习，比如做数据分析与标注类工作。所需要的技能是扎实的编程能力和一定的算法经验，东西看的懂，用得对。
我们怎么做学习计划
对于学习，有三有几个观点。
(1) 学习必须是系统和完整的。学习的目标是为了长期使用，那么必然需要系统性地掌握知识，往后才能够触类旁通。短期突击(如单个项目)或许可以通过考试，但是终究用处有限，而且迟早会暴露残缺的知识背景。
目前短视频时代最大的问题就是信息的碎片化，在不断更新的信息下我们很容易被带入浮躁的学习氛围中，成为那只掰玉米的猴子，遇见很多东西，但最后空手而归。时刻应该铭记，学习是为了用合适的方法解决合适的问题，要想做到这一点需要完善的知识储备，没有一招吃遍天下的秘籍。
(2) 学习必须是长期和动态的。本行业的特点是技术迭代更新确实非常快，因此要保持长期的学习习惯，几个月的固定学习周期是不够的，这只能初窥门道。学习资料是死的，人是活的，源源不断的问题根本就不是资料，尤其是录制好的音视频能解决的，因此我们要保证长年累月的交流渠道是畅通的，必须要有一个长期学习的技术圈子。
(3) 学习资料要丰富。学习是一个非常复杂的高维认知行为，因此学习资料形式最好也是包含各种形式，最好包含视频和图文，囊括线上和线下交流，这样能够满足各类人群的需求，方便及时反馈问题。
(4) 学习必须要完成闭环。学习的目标不是为了学习，而是为了使用。从掌握知识，到后续积累人脉和项目经历，甚至完成学生到老师的转变，越往后越有价值。我希望跟着我们学习的同学，能够持续在生态中获益，成为专栏/书籍作者，成为老师，成为项目负责人，甚至是合伙人。
综上，关于计算机视觉的学习，我们推出来“季划”的学习模式，总的来说有以下特点：
(1) 总体学习时间和进度安排。
分难度依次增加的3个计算机视觉学习小组，即“春夏秋”三个等级，各自有各自的定位，如下图。每一个季划有推荐的学习周期和固定的学路线。
(2) 多元的学习方式。
有三作为主要导师直接带领，囊括随时一对一答疑，微信群交流，线下活动，多本自写的书籍，图文课件与代码，一年免费的知识星球社区，学习视频，每周微信直播等内容。
如此一来，我们打通了所有的学习方式，从而保证学习效果。
(3) 知识输出与应用。
学习的目标是为了应用，让知识产生价值，平台给学习的同学准备了内容组，研发组，运营组等小组，让大家可以输出自己学习的知识，拓展知识技能，获得收入和个人影响力的提升。
有三AI是一个创业团队和社区，一直在寻找志同道同的你。
接下来，就介绍我们相应的深度学习和计算机视觉学习小组。
有三AI春季划
春季划是给以下选手准备的，目标是完全入门计算机视觉，培养后续能够独立进行该领域学习的习惯和能力。
(1) 深度学习/计算机视觉/图像处理零基础学生与转行的从业者。
(2) 深度学习/计算机视觉/图像处理基础薄弱，缺少实践，停留在网络视频课级别的选手。
(3) 不具备能完成从数据准备到模型调优全流程的深度学习/计算机视觉从业者。
(4) 未能熟练掌握计算机视觉基础领域，模型设计与调优等算法的选手。
所以春季划覆盖从“编程基础”，“开源框架”，“图像基础”，以及难度从低到高的深度学习实践项目(分类，分割，检测，GAN，模型设计与优化)，每一个知识点未必非常详细，但是核心要点力求包括，下面是一张项目相关的图供大预览。
【详细了解春季划请点击】【通知】2020年有三AI-CV春季划升级，更多项目，更多框架，更高难度
有三AI夏季划
夏季划是春季划的进阶，是给已经有比较好的计算机视觉基础的选手准备的，目标是较深入地掌握若干计算机视觉领域，培养独立完整的工程项目能力。
(1) 有较好的python编程基础，缺少C++编程经验，不熟悉模型的部署和优化。
(2) 缺少深度学习和计算机视觉项目经验。
所以夏季划覆盖了“Caffe等框架的完整源代码解读与C++部署”，“Python小程序的前端，后端模型部署”。“目标检测与跟踪”，“文本检测和识别”，“表情识别与编辑”，“人脸识别”，“人体关键点检测”，“人像分割”，“三维人脸重建”，“模型剪枝与量化”等深度学习与计算机视觉实践项目，下面是一张项目相关的图供大家预览。
【详细了解夏季划请点击】【通知】2020年有三AI-CV夏季划升级，更多项目，更高难度，更加落地
小提示????????????：报名夏季划的同时如果报名春季划，则可以享受春季划半价。
有三AI秋季划
秋季划是直接参照公司架构进行分组，暂时分四大方向，模型优化，人脸算法，图像质量，生成对抗网络。
当你在某一个领域里做到极致，便会成为该领域的专家，从此就真的有了立足之地，这也是最后一个季划，以后还会增加新的方向。
注意：参加秋季划有以下基本要求。
(1) 熟练掌握Python，会使用C++编程。
(2) 至少能使用Caffe，Tensorflow，Pytorch三大开源框架。
(3) 扎实的数字图像处理基础，熟练掌握OpenCV。
(4) 扎实的深度学习理论基础。
【模型优化小组】需要掌握深度学习模型设计，调参，优化，部署。需要学习的东西包括8大方向：数据使用，模型使用和调参，模型性能分析，紧凑模型设计，模型剪枝，模型量化，模型蒸馏，NAS。
【人脸算法小组】需要掌握当前人脸图像领域的主要算法，学习的东西包括8大方向：人脸检测，人脸关键点检测，人脸识别，人脸属性分析，人脸分割，人脸美颜，人脸编辑与风格化，三维人脸重建。
【图像质量小组】需要掌握与图像质量相关的内容，学习的东西包括8大方向：图像质量评价，图像构图分析，图像降噪，图像对比度增强，图像超分辨，图像去模糊，图像风格化，图像修复。
【生成对抗网络小组】需要掌握GAN的理论和应用知识，学习的东西包括8大方向：基础理论，结构设计，图像与视频生成，语音生成，图像增强，风格迁移，图像编辑，综合使用技巧。
【详细了解秋季划请点击】【通知】如何让你的2020年秋招CV项目经历更加硬核，可深入学习有三秋季划4大领域32个方向
小提示????????????：所有报名过春夏季划的，可以半价报名秋季划。
最后Tips：报名联系有三微信Longlongtogo即可，请先仔细阅读相关的文章介绍。所有加入过有三AI知识星球，购买过书籍的同学，可抵扣相关费用。
转载文章请后台联系
侵权必究
往期精选
1111
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
