理论问题与工程问题的差异有哪些，这是一个高深的问题，博主的见解不一定对，仅供参考。博主在还是硕士时，沉寂于水论文的庸俗之道中，也曾经有过很多惊艳的“创新”想法，结果上网一搜别人早就发了论文。整体来说，博主水论文是一直是围绕着理论问题在开展工作；后来博主面向工作时，则一直面向工程问题开展工作。因此，对理论问题与工程问题颇有思考，故写下这篇浅薄的博文。博主这里讨论的范围仅限于深度学习领域，其他一概不论。
1、理论问题与工程问题的联系
深度学习本就是一个及理论与工程应用的一个体系，其基于反向传播与梯度下降训练模型，为解决各种工程问题在理论上进行创造性突破，解决了行业上的回归（数值预测）、图像分类、目标检测、语义分割等等的工程问题。每解决相应的问题，在深度学习理论基石上都有创新。如从rcnn到faster-rcnn，从全卷积网络到系列语义分割模型、从attention模块到transromer模块。理论的创新为更好的解决工程问题提供了更好的指引。
同样，解决工程问题需要相应的理论基础，只是有的时候一些工程问题过于简单，依赖于一套固定的流水线操作即可解决；而有的工程问题过于复杂，需要算法工程师不断的探索新的流水线操作才能解决问题。
2、理论问题与工程问题的差异
正如上文所述，解决工程问题离不开理论基础的支持，只是有的理论基础过于夯实，所以大部分工程师都是一套流水线操作应用，而对于复杂的工程问题部分才会重构理论问题部分。正常来说，深度学习模型可分为生成式模型和判别式模型，生成式模型用于生成内容，判别式模型用于判断概率。生成式模型由vae、gan等；判别式模型较多设计图像分类、语义分割、实例分割、目标检测等。这种模型都能解决特定的工程问题。
在理论问题上只关心系统的一小部分内容，通过解决对理论进行补充完善深度学习中的某些不足。如全卷积网络提出了仅使用卷积层实现语义分割；resnet网络提出了跳跃连接的概念使训练更深层模型变成了可能；mobilenet提出了一个减少计算量的卷积模块；等等诸如此类。这些单个的理论概念使不用用到复杂工程上的，应用深度学习技术需要完整的理论体系。如使用图像分类模型，如densenet、efficientnet解决图像分类问题；用yolox，yolor、yolov7等解决目标检测问题。这其实也只是能浅显的解决一些工程问题。在实际情况中对理论技术的应用要贴合工程实际需求，理论技术只是为工程实践提供参考选项。
在工程实践中往往比较关心性能和精度，性能是指模型的运行需求和速度，精度一般指模型的acc、iou、recall等评价指标。在工程领域解决性能问题，一方面靠堆硬件，另一方面靠理论优化（如算子折叠、轻量化结构、知识蒸馏、模型量化等）；在工程领域解决精度问题，这则是一个更为开放的话题。除了模型选型外，涉及到训练数据采集、数据增强方式、结果增强方式等。
理论问题大都只关注了工程应用中的一小部分，解决工程问题需要完整的系统工程思想，需要应用到多个理论技术
3、如何更好的解决工程问题
研究一切理论问题的本质，都是为了解决工程问题。这使得我们要抛开对理论技术的一些固有偏见，限定技术的使用范围。很多的深度学习算法工程师都是在理论上一知半解，在编程上一窍不通，赶鸭子上阵成了算法工程师（程序员）。对于理论的应用大都停留在表层，对技术的应用停留在表层，认为什么样的模型就只能干什么样的事情。博主工作前也曾被卡在这里，导致无法解决很多工业问题（工业问题对精度要求极高，且要求模型具备文档的泛化能力）。
因为，很多理论问题的研究都是基于特定背景下的，如图像分类技术的研究背景在于imagenet数据分类；语义分割技术的研究在于将图像的前景与背景分隔开；目标检测的研究背景是找出图像中的特定目标。虽然这些技术都貌似有着固定的应用场景，但是在工程实践中其实是可以打破这些场景限制的。因为，有些时候工程上的指标需求可能突破理论极限。比如博主曾做
过几个工业上的缺陷检测项目，顾客对缺陷样本要求的召回率就是99.99%以上。这在理论上基本就是不可能的（博主试过很多个深度学习分类模型，当时的模型没有一个能满足要求的）。
为了实现项目中克扣的精度需求，博主突破了对深度学习技术应用的偏见，将语义分割应用到了图像分类任务中【先分割出目标的特征区域，再对特征区域进行分类训练】。博主也曾将传统的图像处理方法与深度学习方法相结合，每一个方法都确保某一方面不出问题，最终实现精度需求。
经此总结：博主认为解决好工程问题的本质就是要用好理论技术，不要对技术的应用具有偏见。每一项理论技术的应用或许只是解决一小部分的工程问题，但是结合到一起就可以解决复杂的工程问题。