隨著硬體條件的不斷發展和演算法理論的不斷進步，深度學習已經成為解決實際問題的一種有效方法,特別是在影象處理方面，深度學習能夠幫助我們解決很多歷史上難以解決、或者解決不好的問題。這篇部落格**大家梳理相關知識，搞明白由影象處理出發，我們為什麼要學習深度學習？如何學習深度學習？最後落到實處，應該是研究那些具體的東西？
一、為什麼研究深度學習
深度學習是有史以來發明的最為優美的程式設計正規化之一。在傳統的方法中，我們告訴計算機做什麼？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，那麼它肯定無法獲得準確的解釋。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徵，並且直接引導模型的建成。
1、今日深度學習的理論成熟、硬體支援已經比較完善
並且在傳統問題上獲得更好的成功率：影象分割、影象識別、影象增強……
2、影象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
第二，深度學習演算法的通用性很強，剛才提到的檢測，在傳統演算法裡面，針對不同的物體需要定製化不同的演算法。相比來看，基於深度學習的演算法更加通用，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，深度學習獲得的特徵(feature)有很強的遷移能力。所謂特徵遷移能力，指的是在a任務上學習到一些特徵，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）上學習到的特徵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資料，**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——有著豐富的市場前景，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。能夠理解神經網路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，因為這塊除錯的時候系統影響比較大，很多變數是不可見的，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。相容幷包。
5、專注於實際運用、演算法的落地。
分享我的學習研究圖譜
產出&建立解決實際問題的專案
deepfakes
換臉 以圖搜圖
cbir
系統 automl
lew資料集人臉識別系統實驗
imagenet
影象分類實驗
imagenet
影象分割
紋理合成
styletransform
mnist
系統實驗
rcnn
vgggooglenn
keras
基本知識
network2
可控可理解小型網路
kares+colab
（可執行
gpu網路）
python
、numpy
等語法和程式設計基本環境
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
等語法和程式設計基本環境;
2、基本程式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。
關鍵是提公升思路，這樣我們心裡有基礎，手裡有工具，眼睛裡能夠看到問題，才能腳踏實地地區解決現實的問題，提公升自己的價值。
來自為知筆記(wiz)
現在是研究深度學習的最好時間
隨著硬體條件的不斷發展和演算法理論的不斷進步，深度學習已經成為解決實際問題的一種有效方法,特別是在影象處理方面，深度學習能夠幫助我們解決很多歷史上難以解決 或者解決不好的問題。這篇部落格 大家梳理相關知識，搞明白由影象處理出發，我們為什麼要學習深度學習？如何學習深度學習？最後落到實處，應該是研究那些...
現在是答題時間
既然 url 貳李子 url 點了我的名，而且還下那麼毒的詛咒，那我就不能不答了。color darkred 1.2007年最難過的事情是什麼 color 沒有難過過，只有不爽過.color darkred 2.2008年最大的心願是什麼 color 能夠去做底層開發.color darkred 3...
golang 通用函式 獲取開始時間到現在是第幾周
工作中遇到的乙個問題，需要獲取從乙個開始時間到當前時間是第幾周，網上沒有找到這個通用函式。所以想著寫出來後拿出來，方便自己，方便他人。注意 開始時間和結束時間必須是零時！即 2019 11 04 00 00 00 package main import fmt time func main endt...