1.5 进阶必备：如何学习深度学习并“落地”求职

本章讲述了深度学习的基础，是一个概括性的介绍，对于初学者来说这些是远远不够的。本节将分析一下初学者如何进入深度学习的领域。

1.5.1 深度学习如何快速入门

对于很多初学者来说，最关心的莫过于如何快速入门深度学习。AI 是一个新兴行业，国内很多高校可能就是最近两年才有了相关的专业，因此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，本节具有学习方向的指引作用。

那么深度学习如何入门呢？这个问题不仅仅指深度学习领域，对于想进入AI领域的初学者来说，面对这个问题，也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，没有确定研究方向或者研究方向不明确，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，深入学习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，还有一些综合方向，如无人驾驶等。这些方向还会继续划分为更加细致的方向，如计算机视觉方向还包括图像分类、图像分割、人脸识别等。初学者需要知道自己选择的方向，有针对性地学习，这对于在求职时选择岗位也比较重要。

2.学习内容

深度学习有很多不同的子方向，用户需要掌握该方向的专业知识，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。深度学习的基础包括数学基础、机器学习基础和编程基础。

数学基础学科包括高等数学、概率统计、线性代数等，需要掌握导数、梯度、矩阵计算等技能。

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（Support Vector Machine，SVM）、决策树等，以及这些算法的理论及算法推导。

算法的开发最终需要通过程序实现，因此需要一定的编程基础。深度学习中最常用的编程语言是Python。在实际应用中，可能还需要掌握一两种其他主流开发语言，如C、C++、Java等。

另外，深度学习算法工程化涉及的内容非常广，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，如今人们去掌握一门新的知识的学习途径有很多。在入门深度学习时，可以选择一些好书深入研究，选择的书不能完全偏于理论，否则会失去学习的兴趣。例如，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，还有利于提升学习的信心。

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。

还可以观看一些好的值得推荐的开源学习课程，如斯坦福大学的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。读者可以跟着这些课程系统地学习。

1.5.2 深度学习行业求职技巧

很多人对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。深度学习岗位有很多可供切入的方向，如深度学习产品、深度学习架构等，这些方向的岗位可以研究深度学习的产品或框架。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。

即使选择深度学习算法工程师类型的岗位，也不能限于模型训练和调参，需要结合实际的使用场景，考虑模型的优化及部署使用等，毕竟很多需求的推进会受限于现有的软硬件条件。

如果本身从事非计算机或互联网软件开发行业，最好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，更加有利于读者在深度学习领域的长足发展。