學習了哪些知識，計算機視覺纔算入門？

 

從兩個方向來回答這個問題，第一個是從零開始怎麼系統性入門計算機視覺，這是一個路線問題。第二個是如何系統性學習，涉及到計算機視覺的各個方向。

第一個問題，如何系統性進階，我斗膽將學習深度學習的同志分爲5大境界，分別是 白身，初識，不惑，有識，不可知，下面一個一個道來，以 計算機視覺方向爲例。

1 白身

所謂白身境界，就是基本上什麼都不會，尚未進入角色。在這個境界須要修行的內容包括：

(1) 熟練掌握linux及其環境下的各種工具的使用

(2) 熟練掌握python及機器學習相關庫的使用

(3) 掌握c++等高性能語言的基本使用

(4) 知道如何獲取和整理，理解數據

(5) 掌握相關的數學基礎

(6) 瞭解計算機視覺的各大研究方向

(7) 瞭解計算機視覺的各大應用場景

(8) 瞭解行業的優秀研究人員，知道如何獲取最新的資訊，可以熟練閱讀簡單的技術資料

若是掌握了這些，那麼就從白癡，不，是白身境界晉級了。怎麼判斷這個境界呢？能夠參考如下的文章，看看掌握的如何。

AI白身境界系列完整連接：

第一期：【AI白身境】深度學習從棄用windows開始

第二期：【AI白身境】Linux幹活三板斧，shell、vim和git

第三期：【AI白身境】學AI必備的python基礎

第四期：【AI白身境】深度學習必備圖像基礎

第五期：【AI白身境】搞計算機視覺必備的OpenCV入門基礎

第六期：【AI白身境】只會用Python？g++，CMake和Makefile瞭解一下

第七期：【AI白身境】學深度學習你不得不知的爬蟲基礎

第八期： 【AI白身境】深度學習中的數據可視化

第九期：【AI白身境】入行AI須要什麼數學基礎：左手矩陣論，右手微積分

第十期：【AI白身境】一文覽盡計算機視覺研究方向

第十一期：【AI白身境】AI+，都加在哪些應用領域了

第十二期：【AI白身境】究竟誰是paper之王，全球前10的計算機科學家

2 初識

所謂初識，就是對相關技術有基本瞭解，掌握了基本的使用方法。在這個階段，須要修行如下內容。

(1) 熟練掌握神經網絡

(2) 培養良好的數據敏感性，知道如何正確準備和使用數據

(3) 至少熟練掌握一個深度學習框架的使用

(4) 熟悉深度學習模型的基本訓練和調參，網絡設計

(5) 掌握歸一化，激活機制，最優化等對模型性能的影響

(6) 能熟練評估本身的算法，使用合適的優化準則

AI初識境界系列完整連接：

第一期：【AI初識境】從3次人工智能潮起潮落提及

第二期：【AI初識境】從頭理解神經網絡-內行與外行的分水嶺

第三期：【AI初識境】近20年深度學習在圖像領域的重要進展節點

第四期：【AI初識境】激活函數：從人工設計到自動搜索

第五期：【AI初識境】什麼是深度學習成功的開始？參數初始化

第六期：【AI初識境】深度學習模型中的Normalization，你懂了多少？

第七期：【AI初識境】爲了圍剿SGD你們這些年想過的那十幾招

第八期：【AI初識境】被Hinton，DeepMind和斯坦福嫌棄的池化，究竟是什麼？

第九期：【AI初識境】如何增長深度學習模型的泛化能力

第十期：【AI初識境】深度學習模型評估，從圖像分類到生成模型

第十一期：【AI初識境】深度學習中經常使用的損失函數有哪些？

第十二期：【AI初識境】給深度學習新手開始項目時的10條建議

3 不惑

進入到不惑境界，就是向高手邁進的開始了，在這個境界的重點就是進一步鞏固知識，而且開始獨立思考。若是說學習是一個從模仿，到追隨，到創造的過程，那麼到這個階段，應該跳過了追隨，進入了創造的階段。

若是是在學校讀研究生，就要可以發表水平不錯的文章，若是是在公司作業務，就要可以提出正確且快速的解決方案，若是是寫技術文章，就要可以信手拈來原創寫做而不須要參考。

這個階段須要修行如下內容：

(1) 熟練玩轉數據和模型對一個任務的影響

(2) 可以準確的分析出模型的優劣，瓶頸

(3) 對於新的任務可以快速尋找和敲定方案

(4) 擁有各類各樣的深入理解深度學習模型的技能，從可視化到參數分析等等等

(5) 可以優化模型到知足業務的需求，實現工業級落地

(6) 瞭解行業的最新進展，並在某些領域有本身的獨到理解

不惑境界的內容

第一期：【AI不惑境】數據壓榨有多狠，人工智能就有多成功

第二期：【AI不惑境】網絡深度對深度學習模型性能有什麼影響？

第三期：【AI不惑境】網絡的寬度如何影響深度學習模型的性能？

第四期：【AI不惑境】學習率和batchsize如何影響模型的性能？

第五期：【AI不惑境】殘差網絡的前世此生與原理

第六期：【AI不惑境】移動端高效網絡，卷積拆分和分組的精髓

第七期：【AI不惑境】深度學習中的多尺度模型設計

第八期：【AI不惑境】計算機視覺中注意力機制原理及其模型發展和應用

4 有識

到這裏，就步入高手境界了。能夠大膽地說本身是一個很是合格的深度學習算法工程師甚至是研究員了，在本身研究的領域裏處於絕對的行業前沿，對本身暫時不熟悉的領域也能快速地舉一反三。

不管是眼界，學習能力，仍是學習態度都是一流水平，時而大智若愚，時而鋒芒畢露，當之無愧的大師兄。

這個修行之路仍然在更新中，咱們發佈了超過360頁的指導手冊和GitHub項目，你們能夠去自行獲取。
 

下面是一些綜述性質的總結文章和兩個適合初學者的專欄內容。

• 有三AI發佈360頁11萬字深度學習CV算法工程師成長指導手冊，可下載收藏打印，未完待續
• 有三AI一週年了，說說咱們的初衷，生態和願景
• 【年終總結】2019年有三AI NLP作了什麼，明年要作什麼？
• 【年終總結】有三AI至今在人臉圖像算法領域都分享了哪些內容？
• 【年終總結】2019年有三AI知識星球作了什麼，明年又會作什麼
• 【小結】除了網絡搜索(NAS)，AutoML對深度學習模型優化還有哪些貢獻？
• 【完結】12篇GAN的優化文章大盤點，濃濃的數學味兒
• 【雜談】有三AI不得不看的技術綜述(超過100篇核心乾貨)
• 【總結】言有三&阿里天池深度學習模型設計直播彙總，附贈超過200頁直播PPT課件
• 【完結】16篇圖像分類乾貨文章總結，從理論到實踐全流程大盤點！
• 【完結】12篇文章帶你逛遍主流分割網絡
• 【完結】優秀的深度學習從業者都有哪些優秀的習慣
• 【完結】給新手的12大深度學習開源框架快速入門項目
• 【雜談】有三AI專欄做者邀請，在這裏寫文章能得到什麼，有什麼不一樣？

1 深度學習模型設計

模型解讀系列文章：

第一期：【模型解讀】從LeNet到VGG，看卷積+池化串聯的網絡結構

第二期：【模型解讀】network in network中的1*1卷積，你懂了嗎

第三期：【模型解讀】GoogLeNet中的inception結構，你看懂了嗎

第四期：【模型解讀】說說移動端基準模型MobileNets

第五期：【模型解讀】pooling去哪兒了？

第六期：【模型解讀】resnet中的殘差鏈接，你肯定真的看懂了？

第七期：【模型解讀】「不正經」的卷積神經網絡

第八期：【模型解讀】「全鏈接」的卷積網絡，有什麼好？

第九期：【模型解讀】從「局部鏈接」回到「全鏈接」的神經網絡

第十期：【模型解讀】深度學習網絡只能有一個輸入嗎

第十一期：【模型解讀】從2D卷積到3D卷積，都有什麼不同

第十二期：【模型解讀】淺析RNN到LSTM

第十三期：【模型解讀】歷數GAN的5大基本結構

2 開源框架速成（更新完）

開源框架速成系列：

第一篇：【caffe速成】caffe圖像分類從模型自定義到測試

第二篇：【tensorflow速成】Tensorflow圖像分類從模型自定義到測試

第三篇：【pytorch速成】Pytorch圖像分類從模型自定義到測試

第四篇：【paddlepaddle速成】paddlepaddle圖像分類從模型自定義到測試

第五篇：【Keras速成】Keras圖像分類從模型自定義到測試

第六篇：【mxnet速成】mxnet圖像分類從模型自定義到測試

第七篇：【cntk速成】cntk圖像分類從模型自定義到測試

第八篇：【chainer速成】chainer圖像分類從模型自定義到測試

第九篇：【DL4J速成】Deeplearning4j圖像分類從模型自定義到測試

第十篇：【MatConvnet速成】MatConvnet圖像分類從模型自定義到測試

第十一篇：【Lasagne速成】Lasagne/Theano圖像分類從模型自定義到測試

第十二篇：【darknet速成】Darknet圖像分類從模型自定義到測試