通常我们都会羡慕知名大组的博士生发顶会进大公司拿package,但是对于普通组的同学来说，发顶会并没有那么容易，那么请问普通组毕业的没有顶会(但是有一些TMM,PR之类的期刊)的博士的出路是什么样的？非钓鱼，真诚提问。

　　

通常我们都会羡慕知名大组的博士生发顶会进大公司拿package,但是对于普通组的同学来说，发顶会并没有那么容易，那么请问普通组毕业的没有顶会(但是有一些TMM,PR之类的期刊)的博士的出路是什么样的？非钓鱼，真诚提问。

　　

霍华德（机器学习优秀回答者）回答：

　　

分类讨论一下算法博士就业吧。现在三百六十行，行行搞AI。之前看到物理系在搞pde?深度学习，量子力学?深度学习，化学系在搞电子结构?深度学习、有机合成?深度学习，材料系在搞材料基因组?深度学习……最近看到建筑系的老师也开始搞建筑?深度学习了。

　　

目测未来和AI沾亲带故的博士将会爆炸性增长。但算法岗位说到底就那么多，一般也就开发岗的十分之一。

　　

首先，岗位可以大概分两种：研究型和业务型。

　　

研究型不太乐观，今年hc普遍不是很多，所以也是优中选优。没有几篇顶会就别想了。

　　

业务型还好，博士有一个优势，各大公司都会有相应的博士计划，不占用团队的hc，所以公司还是很乐意招这样的博士的。只是因为是业务型岗位，会非常考察工程能力，业务理解。基本科班硕士能行的你也要能行，同时还要展现出解决业务困难问题的能力。

　　

我最近面的候选人也分两种：

　　

第一种来自牛组，如浙大cv某组，完全就是cvpr、nips收割机。虽然面了，但我也不期望最后人家能来。一年后出现在华为天才的名单里我也毫不奇怪。

　　

第二种没有顶会，发了些paper。问创新点在哪里说不清，问创新点怎么来的说不清，问为啥能work也说不清…工程和代码也不行，业务也不懂，只能挂了。

　　

　　

穷码农回答：

　　

国内感觉是真的难，国外感觉是不是轻松一些？

　　

我同学他们做ML/DL的，今年的实习都还不错呀，实习拿到了湾区大厂，做的也是相关的方向。

　　

而我，就只能写写app的后端代码。

　　

我感觉简历上有过相关的项目/研究经验，就能拿到大厂的实习机会。到时候实习完拿个return左边offer右边，据说包也很大。具体多大我就不知道了。

　　

不过，要过面试就得刷题了，这都是标配了。没有顶会，还不忙里偷闲刷刷题，早做准备，那我敬你是条汉子。

　　

我倒是觉得别给自己局限在某个领域，搞了半天研究，不管结果是不是贼厉害，最终还是要以找到一份工作为目的的。去不了大厂，去不了nb的研究所或是高校，咱们去一般一点的厂子也行啊。慢慢跳槽呗。

　　

千万别觉得读了博士，就一定要以科研为目标一辈子。不过，可能国内和国外情况真真不一样也是有可能的。国外读个博士，去大厂写码，或是去当个researchscientist，还是挺美滋滋的。

　　

别问，问我就特别羡慕我同学他们。毕竟我搞不来机器学习相关的方向。

　　

有人告诉我说，一般读博士的，代码能力需要多提高提高。如果你想去大厂写代码，拧螺丝钉，你懂我意思了吧？

　　

CV和NLP哪个前景更好？

　　

又到一年毕业季，小编看到不少马上要毕业的学生在知乎名为“cv和nlp哪个前景更好的”帖子下热烈讨论！（图片来源于知乎）

　　

相信不少人有这样的疑问，甚至有人说今天AI的行业，CV工程师的含金量已经远远没有NLP工程师高了~事实真的是这样的吗？今天就让我们一起来聊聊如何实现计算机视觉的终极目标：让计算机自动理解图片(视频)的内容。

　　

这个终极目标的核心其实可以拆解为一下几个任务：1.让计算机理解图片的场景(咖啡厅,教室,博物馆,等等),2.理解场景中包含的物体(餐具,交通工具,人,动物等等),3.理解物体所在图片中的位置(boundingbox边界框的坐标,物体的边界点),4.理解物体之间的关系和行为(是在交谈,体育比赛,对抗,等等),以及图片所表达的抽象含义(例如表达讽刺挖苦,暴力色情,艺术,宗教的神圣,大自然的壮阔,节日的喜庆,等等)。

　　

如果我们可以让计算机做到这些，那么这个计算机视觉的终极目标就是可以达成的。而这些拆解完成的任务，单独或结合，也都构成了计算机视觉领域，今天在工业界和企业界中的的重要应用点。

　　

所以说CV工程师的含金量可以是一点都不低，多为AI方向最广为人知的技术领域，每一个从事着视觉领域相关工作的工程师可都是各个的十项全能。CV领域不仅技术涉猎宽泛，项目环境复杂多元，更要时时刻刻应对大数据量带来的各种问题与挑战。俗话说没有金刚钻别揽瓷器活，下面就让我们看看一个合格的算法工程师需要具备怎么样的技能点吧：

　　

此课程的内容围绕计算机视觉的终极目标展开,通过理论加实践的方式介绍各种类别的计算机视觉任务所需的知识和技术。通过课程的学习,学员将

　　

●深度神经网络处理计算机视觉任务有清晰的理论认知；

　　

●具备动手能力解决实际问题；

　　

●自己写代码实现经典网络结构解决各种计算机视觉任务；

　　

●按照自己的需要定制,裁剪,拼装自己的深度网络模型。

　　

课程大纲

　　

第一阶段深度学习基础篇

　　

【核心知识点】.逻辑回归与梯度下降法.凸函数与凸优化.BP算法的讲解.Tensorflow和Kersa的使用教程.GPU配置，安装，训练模型及评估.Conv2D，Conv2DTranspos详解.Dropout,BatchNormalization详解.如何自定义网络层，损失函数.深度学习中的调参技术.解决过拟合与欠拟合.激活函数详解：Sigmoid,Softmax,tanh,softplus,ReLU,hard_sigmoid,linear,exponential,LeakyReLU,PReLU,ELU..优化器详解：GD，SGD，MiniBatchGD，Nesterov，RMSprop，Adagrad，Adadelta，Adam.

　　

第二阶段多模态模型

　　

【核心知识点】.什么是多模态学习？.VGG16以及基于Pytorch的实现.迁移学习详解.RNN以及BPTT，梯度消失问题.LSTM,GRU详解.注意力机制.SkipGram.Elmo,Bert,XLNet.BeamSearch,GreedyDecoding.BLEU评价指标.搭建系统过程中用到的工程技巧【实战案例】：.[作业]利用Pytorch搭建VGG16卷积神经网络.[作业]搭建基于注意力机制的LSTM网络.[项目]基于Bert的ImageCaptioning项目实战

　　

第三阶段物体识别

　　

【核心知识点】

　　

.CNN卷积层工作原理剖析.卷积核尺寸，卷积步长，边界填充，输出通道，输出特征图，视场计算.LeNet-5.AlexNet.ZFNet.GoogleNet/Inception.VGGNet.ResNet..Fully-ConvolutionalNetwork.DenseNet..图像增强技术.图像增加噪声与降噪【实战案例】：.[讲解]各类卷积神经网络结构剖析以及实现.[项目]不同环境下交通指示牌的识别.[作业]定制自己的神经网络

　　

第四阶段目标检测技术

　　

【核心知识点】

　　

.R-CNN，FastR-CNN,FasterRCNN.RegionProposal，RegionProposalNetwork.One-Stage物体检测网络模型.SSD模型.Anchor的内涵与工作原理.IoU(IntersectionOverUnion).HardNegativeMining.Non-MaxSuppression.OpenCVHaar小波滤波器.OpenCVAdaboost.图像分割DensePrediction.Unet，Up-Conv.TransposeConvolution/Deconvolution【实战案例】：.[项目]利用SSD模型完成自动驾驶中的车辆，行人，交通灯的定位.[讲解]人脸关键点定位.[讲解]图像分割任务

　　

第五阶段自动驾驶

　　

【核心知识点】

　　

.自动驾驶技术介绍.如何使用多个摄像头.DataGenerator技术.图像的空间域.频率域滤波.图像色彩变换.边缘检测.HoughTransform用于检测图像中的几何形状物体【实战案例】：.[项目]自动驾驶方向盘转向预测.[项目]自动驾驶中行车道的检测

　　

第六阶段图像生成

　　

【核心知识点】

　　

.GAN生成对抗网络.Generator，Discriminator网络结构.GAN的优化以及实现.GAN与其他生成模型的比较.图像风格化迁移的实现.GramMatrix图像风格表达【实战案例】：.[讲解]Python编写GAN生成手写数字图像.[项目]图像风格迁移：将自拍照转换为毕加索油画

　　

第七阶段低能耗神经网络

　　

【核心知识点】

　　

.如何降低神经网络的耗能.BinarizedNeuralNetwork.MobileNet.ShuffleNet.EffNet.神经网络的节能原理.Depth-wiseSeparableConvolution.SpatialSeparableConvolution.GroupedConvolution.ChannelShuffle【实战案例】：.[项目]二值化神经网络识别交通指示牌.[项目]低能耗网络完成自动驾驶方向盘转向预测

　　

第八阶段新颖网络结果

　　

【核心知识点】

　　

.One-ShotLearning.SiameseNetwork双子网络.人脸识别关键技术.CapsuleNet胶囊网络.胶囊替代神经元旦原理【实战案例】：.[实战项目]双子网络完成人脸识别项目

　　

.[实战项目]使用胶囊网络进行手写数字的识别和重建

　　

第九阶段开放式项目

　　

【项目介绍】

　　

课程提供一个机会让学员根据自己的兴趣设计一个计算机视觉的项目.自己定义问题,收集训练和测试数据,设计神经网络模型,实现代码,老师在项目中提供指导.特别适合喜欢挑战自我,善于深入研究的同学。

　　

【结果输出】：完整PPT、代码和Conference-StyleTechnicalReport【评估流程】：教学团队Review+学员Peer-Review课程设计紧密围绕学术界最新进展以及工业界的需求，涵盖了所有核心知识点，并且结合了大量实战项目，培养学员的动手能力，解决问题能来以及对知识的深入理解。

　　

部分项目展示

　　

课程的亮点不仅仅在于众多深度模型的全面介绍与前沿方法论的实践。我们更强调学员对于技术的全面理解和应用能力。

　　

不是简单的把成熟的深度网络模型实现一遍,而是按照自己的需求在成熟模型的基础上定制一个属于自己的解决方案，也正式工作中算法师需要的实际能力。

　　

　　

做完我们的项目,会对算法有更清晰的理解,会有更强的实践动手能力,更能够迁移到自己的工作中。每一个项目都是一个挑战，挑战自己学习训练多种符合模型解决项目问题。并在不同模型结果的比较、调整与结合中，找到属于自己的最佳解决方案。