本文分享内容来自于《深度学习计算机视觉实战》，该书讲述了深度学习与计算机视觉的基础，从模型训练到模型部署，非常适合初学者入门学习参考。
第一部分：深度学习与计算机视觉的基础介绍（经典网络与算法）；
第二部分：模型训练中常用的预处理和后处理图像处理算法介绍；
第三部分：计算机视觉项目实战；
第四部分：基于Tensorflow Lite的模型部署（lite源码讲解、模型量化、模型转换、PC和移动端部署）。
1.5.1、深度学习如何入门
对于很多的初学者来说，最关心的莫过于这个问题了。AI是一个新兴行业，对于国内的高校，很多可能就是最近两年才有相关专业，那么这个专业的学生几乎还没有毕业。现在企业中从事相关工作的开发者，多是自学入门的，所以对于想进入这个领域的从业者来说本节具有学习方向指引作用。
那么深度学习如何入门呢？不仅仅深度学习领域，对于想进入AI领域的初学者来说，面对这个问题，都需要从以下两个方面思考。
1．研究方向
研究方向是最基本的一个问题，没有确定方向或者对方向不明确，不仅会给自己的学习增加很大的难度，还会打击初学者的信心，毕竟这个领域的知识是很庞大的，深入之后每个细分领域的知识差异很大。
深度学习方向有计算机视觉、自然语言处理等，另外还有一些综合领域如无人驾驶等。
这些方向还会继续划分为更加细致的方向，如计算机视觉领域还包括图像分类、图像分割、人脸识别等。初学者需要知道自己选择的方向，有针对性的学习，这在求职中岗位选择时比较重要。
2．学习内容
深度学习有很多不同的子方向，用户需要掌握该领域的专业知识，如计算机视觉方向需要图像处理基础。但不管是哪个方向，都需要掌握相同的基础知识，深度学习方向的基础包括数学基础、机器学习基础和编程基础。
数学基础包括高等数学、概率统计、线性代数等，需要掌握导数、梯度，矩阵计算等。
机器学习基础需要掌握常用的机器学习算法，如支持向量机SVM、决策树等，需要掌握这些算法的理论以及算法推导。
算法的开发最终需要通过程序实现，所以需要一定的开发基础。深度学习中最常用的编程语言是Python，在实际应用中，可能还需要掌握其他的一到两种主流开发语言，如C、C++、Java等。
另外，深度学习算法工程化涉及到的内容非常的广，需要对平台硬件、编译、优化加速等有较深入的研究。
3．学习方法
受益于强大的互联网，如今用户有很多的学习途径去掌握一门新的知识。在入门深度学习时，可以选择一些好书深入研究，书的选择不能完全的偏于理论，否则会失去学习的兴趣，如本书理论与实践相结合，通过案例学习，有利于加深理论的学习印象，还有助于提升学习的信心。
在学习一门知识的时候，特别是工程技术，最重要的一环就是实践。对于本书中的案例，强烈建议用户在学习时不要停留在看的层面，需要搭建好开发环境，将每个案例都切实实践出来，这个过程中会遇到一些问题，解决问题的过程更有利于学习成长。
还要一些好的开源学习课程值得推荐，如斯坦福大学吴恩达教授的机器学习课程和李飞飞教授的深度学习课程，用户可以跟着课程系统地学习。
1.5.2 深度学习如何求职
很多人对于深度学习岗位的理解，就是选择深度学习某个方向的算法工程师职位，实际上这只是其中的一个方向。深度学习领域有很多可供切入的方向，例如深度学习产品、深度学习架构等，这些岗位可以研究深度学习的产品或者深度学习的框架，很多公司都推出了自研的深度学习训练和推理框架，这些都需要相关的开发者。
如果选择深度学习算法工程师这种类型的岗位，也不能限于模型训练和调参，需要结合实际使用场景，考虑模型的优化以及部署使用等，毕竟很多的需求推进会受限于现有的软硬件条件。
如果本身是从事于非计算机或者互联网件开发行业，最好的选择考虑深度学习与本行业的结合，如医疗领域的AI医疗，这种结合具有一定的技术壁垒，更加有利于用户在深度学习领域的长足发展。