一、為什么研究深度學習
深度學習是有史以來發明的最為優美的編程范式之一。在傳統的方法中，我們告訴計算機做什么？把大問題分解成許多小的、精確定義的問題，通過計算機強大的計算能力，得出解析解或者近似解，從而輔助現實生活中很多問題的解決。而這個思路的瓶頸顯而易見就是我們的建模和編碼能力——如果計算機理解的問題是不正確的、不完善的，那么它肯定無法獲得准確的解釋。而深度學習則是提供了系統的方法，來提取系統中的最優特征，並且直接引導模型的建成。
1、今日深度學習的理論成熟、硬件支持已經比較完善
並且在傳統問題上獲得更好的成功率：圖像分割、圖像識別、圖像增強……
2、圖像處理和深度學習結合緊密，
深度學習已經成為CV研究的標配
第一，“一圖頂千言”，圖像、視頻數據本身就是天生的“大數據”，並且數據和數據之間“強相關”，適合深度學習算法進行研究；此外，傳統的圖像處理任務非常適合在深度學習領域遷移。
第二，深度學習算法的通用性很強，剛才提到的檢測，在傳統算法里面，針對不同的物體需要定制化不同的算法。相比來看，基於深度學習的算法更加通用，比如faster RCNN在人臉、行人、一般物體檢測任務上都可以取得非常好的效果。
第三，深度學習獲得的特征(feature)有很強的遷移能力。所謂特征遷移能力，指的是在A任務上學習到一些特征，在B任務上使用也可以獲得非常好的效果。例如在ImageNet（物體為主）上學習到的特征在場景分類任務上也能取得非常好的效果。
3、研究百花齊放，落地仍需時間
各行各業已經積累了豐富的數據，論文能夠實現得到非常好的效果，但是由於成本、功耗、理念
等問題，深度學習技術
落地應用需走向垂直化——有着豐富的市場前景，強烈的需求。
二、怎樣學習
學習是因人而異的，但是重點是有共性的，特別是深度學習的曲線肯定比較陡峭，並且受限於資源等多方面因素，一點要注重時刻總結反思，勤奮探索：
1、打好基礎。能夠理解神經網絡乃至深度學習的基本思路，比如SGD，不僅要能夠理解，而且要能夠編碼；
2、基本的Python編碼能力，因為這塊調試的時候系統影響比較大，很多變量是不可見的，所以必須要能夠有比較好的編碼能力；
3、運用先進工具，我們使用kares和colab解決相關問題；
4、不斷學習、反思、交流。兼容並包。
5、專注於實際運用、算法的落地。
分享我的學習研究圖譜
| 產出&創建解決實際問題的項目
|
|||
| DeepFakes換臉
|
以圖搜圖CBIR系統
|
AutoML
|
視頻識別
|
| LEW數據集人臉識別系統實驗
|
ImageNet圖像分類實驗
|
ImageNet圖像分割
|
紋理合成StyleTransform
|
| Mnist系統實驗
|
RCNN
|
VGG
|
GoogleNN
|
| Keras基本知識
|
|||
| Network2可控可理解小型網絡
|
Kares+Colab（可運行GPU網絡）
|
||
| Python、Numpy等語法和程序設計基本環境
|
|||
三、現在開始，學習那些東西
首先要解決的是基礎問題；
1、
Python
、
Numpy
等語法和程序設計基本環境;
2、基本程序設計和訓練環境的搭建，包括單機和聯機的；
3、dl的基本原理,SGD為主；
4、kares解決基本訓練問題。
關鍵是提升思路，這樣我們心里有基礎，手里有工具，眼睛里能夠看到問題，才能腳踏實地地區解決現實的問題，提升自己的價值。