在入门或者进阶深度学习的时候，很多人都会存在各种各样的疑问与迷惑。本课程的初衷也是希望能帮助大家答疑解惑。在开始学习深度学习之前，先明确几个观点，解决一些疑惑。这里，我针对曾经遇到的大多数入门者经常会遇到的问题，这里进行了总结。后续再发现更多的问题，会进一步完善。
我总结了以下几个问题，这也是知乎等各个平台了很多人关心的问题：
-
深度学习是否可以快速入门？
-
深度学习是否需要学习理论和公式推导？
-
Fork 了很多源码和 Demo，却没什么进步？
-
源码读不懂，复现起来很难，怎么办？
-
学完之后，依然找不到实习工作？
-
关于深度学习，面试会问哪些问题？
接下来，我们针对上述问题，分别展开回答。
1. 深度学习是否可以快速入门？
对于这个问题，我们首先看一下，入门深度学习，你需要学点什么（假设已经具备 Python 编程基础、高数、线性代数、概率统计的基本数学基础）。
如果你能够坚持看完周志华所著的机器学习入门教材《机器学习》（俗称“西瓜书”）、深度学习基础教程《深度学习》/《Deep Learning》、Caffe 教程《深度学习：21天实战 Caffe》、TensorFlow 教程《TensorFlow 实战》这四本书，相信这时你已初步具备了深度学习的基础，接下来就是特定领域的深入探究。比如，如果想要进行计算机视觉方面的研究，首先需要掌握目前各种各样的卷积神经网结构，于是又需要花费至少两周的时间了解从 LeNet 到 ResNet 再到 mobileNets 等等卷积神经网，具体可以看下表。
| 深度网络名 | 年份 | 作者 | 描述 |
|---|---|---|---|
| LeNet | 1994 | Yann LeCun | 简单卷积神经网 |
| AlexNet | 2012 | Alex Krizhevsky | 2012届图像识别大赛的冠军 |
| ZFNet | 2013 | Matthew D Zeiler | 可视化 |
| Net in Net | 2013 | Lin M | 网络嵌套模型 |
| VGGNet | 2014 | 牛津大学的视觉几何组 | ILSVRC-2014中定位任务第一名和分类任务第二名 |
| GoogLeNet | 2014 | ILSVRC14 比赛中获得冠军 | |
| Inception-v2/v3 | 2015 | 小卷积代替大大卷积 | |
| ResNet | 2015 | MSRA 何凯明团队 | |
| Stochastic_Depth | 2016 | Gao Huang | 随机深度 |
| Wide ResNet | 2016 | Sergey Zagoruyko | 考虑宽度网络性能 |
| Inception-ResNet V1/V2/V3 | 2016 | 融合 resnet 和 inception 结构的网络 | |
| ResNet in ResNet | 2016 | Sasha Targ | 泛化的 resnet 网络结构 |
| Fractalnet | 2016 | Gustav Larsson | 分形结构 |
| ResNeXt | 2016 | Saining Xie | 减少参数 |
| DenseNet | 2017 | Gao Huang | 稠密网络 |
| DPN | 2017 | 颜水成 | 结合 resnet 和 densenet |
| PyramidNet | 2017 | Dongyoon Han | 金字塔+resnet 网络 |
| SqueezeNet | 2017 | 伯克利&斯坦福的研究人员 | 网络压缩 |
| MobileNet V1/V2 | 2017 | 精简网络 | |
| ShuffleNet | 2017 | 旷视科技 | 精简网络 |
| SENet | 2017 | Momenta | 精简网络+imageNet2017 冠军 |
学完这些卷积神经网，这时候你一定会发现大多数深度学习会更关注某一领域，比如：检测模型、分割模型、关键点等等。于是又一堆的 Paper 袭来。因为你需要阅读最新的 Paper，了解最新的技术。
学完这些，才真正的算是深度学习入行了，对于一些其他的深度学习任务，你可能需要花费单独的时间再去了解研究。
相信看到这里，大家已经明白，“深度学习能否快速入门”这一问题的答案。当然是不能。我在网上也看到过很多这样的网络教程，标题大多以“快速入门，快速精通”等等为标题，整个课程的时间也在很短的时间之内能够完成。相信，如果大家购买课程，并认真学完，一定会有所收获，但短时间内成为一名合格的算法工程师，是不现实的。这也是很多人会在学完课程之后，很难找到工作的一个主要原因。积累不够，内行人或者说面试官是很容易识破的，因此，希望大家在学习这些课程的时候，端正好自己的心态——深度学习是很难短时间速成的，我们需要打好基础，才能够在这一领域走得更远。这也就涉及到了我们的下一个问题，深度学习是否需要学习理论和公式推导？
2. 深度学习是否需要学习理论和公式推导？
答案一定是肯定的，理论基础是必须的，也是决定你以后是否具备核心竞争力的一个重要因素，也决定了你网络创新的能力有多强。很多学习深度学习的人，为了速成，会忽略基础的积累，直接上手 Caffe 或者 TensorFlow，开始调包之旅，对于这些模型背后的理论一知半解，或者从一些博客上随便看看。
曾经面试过一些深度学习岗位的求职者，在问到一些背后理论问题的时候，经常会收到的答案是“这个我从知乎上某某地方看到过……”。从这个答案我只能够看到你关注了一些知乎的大 V，可能收藏了很多这样的文章，然而，并没有认真得思考过为什么。一般这种求职者，都会被贴上一个“基础不扎实”的标签，往往也很难成功拿到 Offer。
为什么需要学习理论和公式推导？我总结出原因有以下几点：
-
面试必考
对于大多数面试官而言，不仅仅想听你讲故事，因为很多你做的事情，在面试官看来都是比较容易和基础的事情。在看到你的简历上项目的名字的时候，大致就已经猜到项目的内容和所用到的方法。因此，在和面试官交流的时候，他会更在意求职者是否具备扎实的基础，而这些更能反映求职者的学习能力和认识问题的深度。这些在后续工作中，会反映你可能更具备解决和处理问题的能力。因此，扎实的理论基础，往往会更容易赢得面试官的青睐。
-
同事之间的交流
如果你准备从事算法工程师工作，那接下来你的同事一定也是一群可爱的算法工程师。而在工作之中，难免会遇到同事来和你讨论一些论文，一些新的理论和方法。此时，如果不具备扎实的基础，仅仅只会调用一些模型的话，很容易在同事心中造成不好的印象，尤其是领导。如果大家都认为你水平一般的话，相信在接下来的工作之中，一定会产生很多不利的影响。
-
工作中网络结构的不断创新的能力
结合自己长期从事算法工程师这一岗位的实际情况来看，有些时候，我们不仅仅需要会调用现有的模型，甚至会由于各种各样的原因，不得不实现一些底层的东西，比如：解决硬件上对于某些层不支持的问题。这时候，当然需要你具备较好的工程基础，同样更需要对于原理和源码的深入理解。另外，在实际工作中，很多时候现成的网络结构并不能满足性能要求的，需要我们自己去设计、实现一些精简的网络结构。没有扎实的基础，也就很难在工作上做出重大贡献。
因此，希望大家都能够做到“知其然，也知其所以然”的程度。相信做到这样程度，一定能找到心仪的 Offer。
3. Fork 了很多源码和 Demo，却没什么进步？
很多人会在私下里微信问我这样一个问题——在 Github 上 Fork 了很多的源码，也跑了不少的 Demo，却依然感觉自己的深度学习技能没有得到太大的提升，很迷茫，不知道接下来怎么去做。
这时候，我通常会问他们，除了配置环境、跑 Demo，你还有尝试和去做下面几件事情吗？
-
阅读作者的源码，了解它的基本思想的同时，了解代码实现的思想？
-
尝试在作者源码的基础上，进行一些改进，来提升作者算法的性能？
-
阅读作者的英文论文，了解关于这一方法的其他同类文献？
-
参加一些领域的公开比赛或者天池的数据大赛？
-
有没有尝试将这些方法迁移到其他的问题中？
-
……
很多人听完这一系列问题之后，才会发现，自己原来还有这么多事情没有去做。其实，Fork 代码，运行一些 Demo 这仅仅是展开深度学习研究的第一步，后续还有太多的事情需要我们去进一步完成。相信做完这些事情，你再也不会觉得自己没有进步了。
4. 源码读不懂，复现起来很难，怎么办？
阅读源码就带来一个很重要的问题，就是源码读不懂怎么办？很多读者也会因此而感到挫败，或者干脆怀疑自己是否适合继续从事算法的相关工作。其实，就算是我，也会遇到很多源码读不懂，很多文章很难复现的情况。这里给大家提供几个参考的建议：
-
关注核心代码， 相比于框架类代码，核心代码才是我们更应该关注的地方，甚至是改进的地方，因此，从核心代码出发，往往会将代码阅读的难道降低；
-
配合文章阅读代码， 很多人不喜欢阅读英文的文献，其实这是十分错误的一个思想，往往配合文章一起来阅读代码，你会发现，代码理解起来会容易许多；
-
难啃的骨头可以放一放， 如果经过自己的各种努力，依然有一些代码没有读懂，那就先放一放，在以后有更多精力的时候再去阅读，尝试去理解它，这里大家一定不要觉得没看懂这些源码，就等于算法不理解；
-
多与人交流， 虽然很多人可能会很不情愿和你讨论源码，毕竟有可能他也没看过，但多一个人讨论，终究可能会多一些不同的理解与发现；
-
日常多记录， 经典的代码实现一定要多多记录和收集起来，以后自己在工作和学习中，很容易就遇到了。这会给你带来很多帮助。
5. 学完之后，依然找不到实习？
关于实习的问题，也是很多读者最关心的问题之一，很多人，在学习完深度学习的课程之后，发现去面试的时候，依然很难找到工作，这也使得很多转行做深度学习朋友产生很大的挫败感，甚至怀疑自己是不是适合这一行业。也有朋友会向我咨询这方面的问题，我觉得有必要关于此问题，提醒大家需要注意以下几点：
-
理论基础是否扎实。 关于理论基础的重要性，在上文中已经进行了阐述。大家谨记，仅仅通过看视频获取基础理论，是远远不够的。很多人在看完 Ng 的机器学习课程以后，会觉得自己已经入行机器学习了，实际上，这些还远远不够，你仍需要补充大量的理论知识，包括数学、编程、深度学习模型，以及阅读大量领域相关英文文献；
-
具备实际的项目经验。 这里的实际项目指的是利用深度学习解决过一些实际的问题，而不是跑过 mnist，cifar 这样的数据集；
-
是否发表过高质量的论文。 注意这里指的是高质量，至少 EI、SCI 检索的论文。如果有能力，可以考虑顶会和顶级期刊的论文；
-
是否有过竞赛的经历。 很多人会说，自己转行过来的，并没有机会去发表论文，或者导师没有相应的课题，那怎么办？这时候，你可以考虑去参加天池数据大赛、Challenge AI 挑战赛等等，目前国内外，有很多很多这样的公开比赛，或者在公开的数据集刷榜。这些都是无门槛，任何人都可以参与的，靠这些为自己的简历镶金，何乐而不为呢？
-
计算机基础知识是否扎实。 很多算法面试，比如 BAT 这些大厂 ，会更加看中你的计算机基础是否扎实，会考察一些 ACM 类型的题目。关于计算机素养的考察，希望大家能够经常去 LeetCode 这样的平台刷题，来提升自己的思维和编程能力。
6 .关于深度学习，面试会问哪些问题？
最后，我们再看一下，深度学习的面试会遇到哪些问题，希望大家能够有针对的进行准备和培养，相信，大家也会更容易找到自己心仪的 Offer。这里我总结了一些，供大家参考：
-
代码题（LeetCode 类型）。主要考察数据结构和基础算法，以及代码基本功。大家在找工作之前，一定要刷一些题；
-
机器学习基础。推荐大家阅读周志华老师的西瓜书、Ng 的机器学习课程和李航的《统计学习方法》；
-
深度学习基础。推荐大家阅读《Deep learning》花书；
-
编程语言。推荐 Python+TensorFlow+Caffe；
-
充分准备做过的项目。尽量准备一些不同的项目作为亮点展示给面试官；
-
阅读 CVPR、ICCV、ECCV 上相关领域的最新 Paper，甚至可以和面试官探讨；
-
调整好心态，不要急躁，也不要灰心，坚持找，相信最终一定能拿到好的 Offer。
最后，向大家推荐一些深度学习的面经：
-
应届硕士毕业生如何拿到知名互联网公司深度学习 Offer？
-
腾讯、滴滴、阿里、三星深度学习实习岗位面经
-
2017秋招面试总结：计算机视觉/深度学习算法
-
国内大互联网公司深度学习面试题
结束语
我相信每一个想要从事深度学习算法工作的人，都心怀一颗不甘的心。我也希望大家能够发挥自己的最大努力，去提升自己，多从自身找原因，发现自己的不足，而不是抱怨面试官的不公。相信，千里马终将会遇到伯乐，如果现在还没有，那一定是你跑的还不快，仍需要加油！
最后，祝每一位即将从业者，都能够找到一份心仪的 Offer。
转载自