【杂谈】什么是我心目中深度学习算法工程师的标准

有三AI平台只专心做原创输出很少扯淡也不蹭热点，不过最近询问的朋友多了，不得不统一写篇文章来回答一下这个大家都很关心的问题，当然，这仅仅是个人观点。

作者&编辑 | 言有三

目前利用深度学习这个工具可以做很多事情，各大领域(图像，语音，NLP等)，各大行业(娱乐，金融，医疗等)这几年都被玩的风生水起。很多的非本专业的技术人员想转行过来都是应该的，话说回来又有几个人是真正这一行出身的呢，学科都是最近才开设的。

于是问题就来了，怎样才能加入这一行业呢？有很多的答案，我就不说了，下面只阐述个人观点，仅仅是个人观点，不喜欢可移步！

1 假如我招人，最低要求是什么

如果是我招聘深度学习算法工程师，不管是校园招聘还是社会招聘，最基本的要求如下:

(1) 熟练掌握python和c++编程，至少熟悉Caffe和T ensorflow/Pytorch两种框架。

(2) 熟练玩转深度学习各类模型架构使用和设计。

(3) 熟练玩转数据的整理和使用，必须深刻理解数据在深度学习任务中的地位。

如果连这三点都不能满足，假如有个很响亮的出身可能还有戏。现在不是16，17年看两门网课跑两个github项目就能入行的时候了，市场上人有的选，实在选不到就选顶尖学校的苗子到了岗位再二次培养，履历背景很重要，现实就是如此。

看起来只有几句话，但是这里有很多潜台词，给大家翻译一下：

(1) 写程序必须很熟练。

只会写python？小学生都会好不好，除非你达到能写出faster rcnn这样的框架的水平才能拉开和大众的差距。会写python做算法确实够了，但是公司招人不会只为了让你训练模型写论文，python能把模型部署到手机上吗？python能优化底层算法吗？务必提前掌握C/C++，不然到了工作岗位再学，那种痛苦和压力，折磨死你。

同样的道理，开源框架不能只会tensorflow，就不多说了。

(2) 模型+数据，彻底掌握深度学习两驾马车。

公司干活的常态是，老大说有个项目，你搞吧，数据没有，大概两个月后上线，每周一组会。没有人给你搞数据的，除非是大规模的标注可以外包。数据理解不到位，99%把你项目坑死，什么数据量不合适了，数据分布不合理了，数据质量不够高了，测试数据不好了，幺蛾子多的很。

再说模型，开源代码是很多，但见过哪家产品线上优化过的核心模型放出来的吗？开源的多是学术研究的模型，为了占坑和刷指标，放出来最重要的目的就是占坑宣示主权，但并非是线上能直接用的。而且针对不同的任务又有不同的需求，从输入大小到步长，深度宽度到训练方法，这里面的门道也很多，深度学习被称为炼丹师是有一些密不外传的傍身技能的。

(3) 能力差点，有出身吗？

哪怕是培训机构，都会说我们有XX归国的XX博士，我身边做这一行的，非好985学校的，真的很少。而很多老大们招聘宁可招一个暂时水平不行的顶尖学校的学生来培养，也不愿意招一个能力并不突出的一般出身的人。江湖之大，哪里又没有圈子呢？

如果你的履历背景都不行，那就只能拿出别人没有的水平，拥有更多的底牌。

2 那么高手还有哪些技能呢

上面说的是最低要求，那么高手还有哪些技能呢？

低手都一样，高手各不同，没有统一的标准，下面列出一些高手常见的技能吧。

(1) 文章写的好。

这是大家最熟悉的了吧，也是媒体宣传最多的，毕竟学生群体大。要真的写的好，不是灌水洗稿刷量的那种。

(2) 代码/框架写得好。

你如果能写个DarkNet或者Caffe出来，薪资随便提。当然别人已经写出来了你再修修补补不能算。

(3) 见多识广实战能力强。

不管什么项目，能独当一面搞定，这就是能给公司解决问题，攫取利润的人。

3 怎么学习

这个问题很敏感，我就不说该怎么学习，而是说说哪些学习方法不对，仅代表个人立场。

(1) 看视频收效甚微。

学习是一件反人性的事情，如果你学的时候很爽，躺着都能学习，首先还是要怀疑一下是不是真的学到东西了。我们都写了50多万的技术文章，就是不做视频，为什么呢？因为我觉得视频仅限于了解一个东西，只有动手动笔才能学会。举个极端例子，我有个粉丝报了几万的课程学习，结果给他项目Linux都搞了很久不会用。

(2) 不要沉迷于理论。

把数学学好是没问题的，但是我遇到几个学生居然沉迷于推公式不可自拔，还有很多人看了大量大量的东西，问细节却一问三不知。归根到底，所学只是蜻蜓点水，专挑软柿子捏而已。

(3) 不要沉迷于低效率的实践。

实践出真知对吧，但是有一种思路又错了，就是直接去做大量的实践，跟着别人的项目敲代码，结果是抓住了别人给你的鱼，但是没有学会打渔。没有扎实的基础，做不到举一反三，这样的实践效率很低。

关于如何学习，建议大家都要满足几个基本条件：

(1) 有个好环境。

时时刻刻老婆孩子围着身边转，一堆朋友都是下班麻将火锅的怎么学。加了一堆微信群，提的问题根本没有人能答怎么学。身边连大神都没有，导师都不懂，怎么学。所以要找到好的圈子，好的能够约束自己的学习氛围，不然日子一天一天过，效率极端低下，真的很恐怖。最好的学习环境，就是和聪明勤奋的同事和同学，战斗在一个实验室和部门。如果没有机会，那就去寻找类似的团体。

(2) 有条好路线。

如果方向是错的，什么都白搭，就跟我之前有个朋友在某机构学了几个月数学一样，弄啥呢。另外，也不要期望有人能把所有东西灌输给你，学完多少案例就能达到什么水平。师父领进门，修行靠自身，很多知识需要自己额外去获取，在这个时候对新手来说，需要的就是一个正确的方向，不然很容易迷失在这茫茫信息大海中。

4 深度学习/AI过热了吗

没有过热，只是媒体要赚钱，菜鸟又太多，人人都想要。其实各行各业都还需要很多有能力的人去踏踏实实将技术落地，不要只盯着那些论文和明星公司干的事。另外也不要相信什么轻松年薪80万(40万都不要信)，一分钱一分货，这才是劳动(割韭菜不算)。

我们公众号很踏实，只做系列原创输出，不跟热点，对看热闹和不是需要学习技术的人来说的确不友好，但是希望真的要学习的朋友更够跟我们一起稳住，向前。

总结

如果你想成为一个有竞争力的算法工程师，就要有足够多的干货作为底牌，不需要有多少惊天动地的光芒，但是一定要有解决实际问题的能力。行不行，市场说了算。

关于两驾马车，网络模型和数据使用，不妨来我们知识星球瞧一瞧

有三AI知识星球由言有三维护，内设AI知识汇总，AI书籍，网络结构，看图猜技术，数据集，项目开发，Github推荐，AI1000问八大学习板块。