文/編輯 | 言有三

一直有同學希望我寫寫面試相關的東西，一直沒寫。我們不會開相關的板塊，因為沒有標準，容易引起爭議，而且可能會加重大家的浮躁和焦慮。

不過關於面試，有三還是有一些話可以說的，下面分兩部分道來。

1 老闆喜歡什麼人

假如我是老闆或者誠心為公司招聘優秀人才的面試官，我會喜歡擁有以下特質的人。這裡說的是招聘一個演算法工程師，一個能夠為公司創造收益的人，簡單起見就不分社招校招。

1、忠誠度，這很重要。一個不忠誠的員工，能力再大，也不能要。所以如果看到一份簡歷滿滿當當的都是跳槽和實習簡歷，兩個月換一個實習，半年換一份工作，除非你說出很充分客觀的理由，否則我可能不會透過這份簡歷。

2、編碼能力，這是一切的前提。前面說了，我們這裡要招聘的是一個計算機視覺領域(CV)演算法工程師，招進來是要幹活的。公司不會招聘一個只會Matlab或者python都用不熟的人來做專案開發，做純演算法研究都不行，一個不能實現自己想法的牛人我還沒見過。見過的牛人不僅演算法好，程式設計能力也強大。

說起程式設計能力，有幾點基本要求：

(1) linux得熟。

現在不是若干年前開源專案還不多的時代，大家還在Windows下面吭哧吭哧用Matlab和VS模擬，都9102年了，Linux都不熟，效率如何讓老大放心。

(2) python得熟，c++得會。

如果連python這樣簡單的語言還用不熟，那真是無話可說。c/c++ 這是一門基礎課吧，理工科的學校沒開過應該很罕見，CV領域的工業界部署和演算法最佳化都離不開C++。

(3) 程式設計習慣得好。

雖然說程式碼寫的爛，不會真有同事拿gun突突突你，但是好的程式設計習慣不僅僅提高效率，而且看著也舒服，不會被別人鄙視。

這裡說的習慣包括：多寫寫類和函式封裝，組織好專案目錄結構，好好命名等等。可以不會寫多麼牛逼炫酷的程式碼，但是要保證程式碼具有良好的可擴充性，方便他人閱讀移植，具體要求以後再說。

3、演算法基礎，這決定了潛力。沒做過檢測？沒事，沒做過分割？沒事。邊做邊學，快速跟進就是了，這本就是公司開發的常態。

人的精力有限，沒做過的多了去了。但是如果CNN的一些基礎傻傻說不清楚，影像的基礎概念一問三不知，這就有事了。因為你交給他一個專案，可能會犯一些低階錯誤而不自知，老大心裡也慌，還要陪著檢查和普及基礎知識。

以上就是三個基本要求，每一家公司肯定都是這樣要求的，我覺得如果透過了這三個考驗，那至少就是一個可以培養的候選人，我會願意給他機會進入下一輪的PK。

踏實(基礎好)，靠譜(穩定)，能幹活(能寫程式碼)，這3個基本前提比什麼都重要，其他的都可以在專案學習。

2 準備哪些知識

接下來就該說說具體怎麼辦了，這就是我開《AI修行之路》這個專欄的原因了，如果你有耐心，不妨接著看下去，我們也是再重新回顧總結一下之前的文章，每一篇文章的開設都有充分的理由。

1、為什麼要用Linux

在以前，你可能覺得Linux並非剛需，用著自己的Windows電腦，也不需要與人共享作業系統，硬體和磁碟。但是如果你們團隊一起使用伺服器，不可能不用Linux。

所以這是對還沒有在Linux上面真正進行日常開發工作的小朋友說的，要正式進入AI行業發展，Linux是必備和唯一的作業系統，“軟”兵器，我還沒有聽過哪家公司在Windows或者Mac上面訓練模型的。

「AI白身境」深度學習從棄用windows開始

2、使用shell，vim，git提高開發效率

程式設計習慣，工作效率很重要，很重要！Linux下一個熟練的工程師，會比Windows下工作效率高很多，提高寫程式碼效率可以從終端多工管理，熟練使用shell命令，熟練使用vim等開發環境，熟練使用git命令等地方入手。

shell命令是Linux的操作基礎，也是學習使用Linux的開始，而慢慢熟悉高階的shell命令在將來的工作中會帶來很大的效率提升。

vim是Linux下最常用的編輯器，從小白到高手都可以使用，而它的列編輯，查詢替換，自動補全等功能都是效率的保證，或許從visual studio等環境切換過來的同學剛開始會有些許不適應，但是時間久了就會越來越明白VIM的好。

git是程式設計師必備的素養，慢慢學會維護幾個自己的程式碼庫，等到將來出問題的時候就明白了。

「AI白身境」Linux幹活三板斧，shell、vim和git

3、python基礎和程式設計習慣

在機器學習領域，python可謂是一騎絕塵，學習python需要掌握好基礎的語法包括函式，類設計，掌握大量的開源矩陣庫Numpy等。

python簡單嗎？簡單。真的簡單嗎？看看大神們寫的專案吧。

「AI白身境」學AI必備的python基礎

4、影像基礎

深度學習有一個最大的問題，就是太好用了。導致什麼影像基礎和傳統演算法都不需要懂，也能專案做的風生水起。

但是如果沒有好的影像基礎，總有一天遇到CNN解決不了的問題，或者無法單獨解決的問題，就不知所措了。很多的新技術都是從傳統演算法中獲得靈感或者相互結合的，不懂影像基礎，就彷彿埋了一顆定時炸彈，一般沒事，炸了就炸了。

「AI白身境」深度學習必備影像基礎

5、OpenCV基礎

如果說影像處理領域有什麼庫是繞不過去的，那一定是OpenCV，這一個開源計算機視覺庫堪稱最優秀的計算機視覺庫，不僅可以學術和商業免費使用，而且跨平臺，高效能。需要掌握的基礎內容包括：如何部署，基本資料結構的熟悉與使用，基本模組的瞭解。

「AI白身境」搞計算機視覺必備的OpenCV入門基礎

6、CMake編譯

python是指令碼語言，而當前大量的AI演算法都部署在移動端嵌入式平臺，需要使用c/c++/java語言，g++，CMake和Makefile正是Linux下編譯C系程式碼的工具。

實際上一些python，matlab開源專案也需要預編譯，更多的等到了工作崗位自然懂。

「AI白身境」只會用Python？g++，CMake和Makefile瞭解一下

7、爬蟲基礎

深度學習專案開發中最重要的是什麼，當然是資料！實際的專案你經常沒有足夠多的資料，這個時候就需要自己去想辦法獲取了。

網際網路是一個什麼資源都有的大寶庫，學會使用好爬蟲，你將可能成為時代裡最有“資源”的人，這也很可能是專案成功的開始。

本文最後的一個實際專案就需要用到。

「AI白身境」學深度學習你不得不知的爬蟲基礎

8、資料視覺化

爬取完資料之後就應該進行處理了，一個很常用的手段是資料視覺化。在深度學習專案中，常需要的資料視覺化操作包括原始圖片資料的視覺化，損失和精度的視覺化等。

除了對資料視覺化，我們還需要對模型進行視覺化，方便除錯和感知。

「AI白身境」深度學習中的資料視覺化

9、數學基礎

雖然對於大部分來說，做專案不需要多麼強悍的數學基礎，但是你會需要看懂別人論文，也會經常需要進行簡單的推導和演算法改進。

從線性代數，機率論與統計學到微積分和最最佳化，都是需要掌握的。不過數學的學習是一個非常漫長的過程，不要急於求成，也不是靠跟著影片或者書本就能完全學會的，重要的是用起來。

「AI白身境」入行AI需要什麼數學基礎：左手矩陣論，右手微積分

10、計算機視覺研究方向

學習和做專案都需要一個方向，在前面這些基礎都掌握好了，就要好好了解一下計算機視覺的各大研究方向及其特點，方便自己選題和專案方案定型了。

從影像分類，分割，目標檢測，跟蹤，到影像濾波與降噪，增強，風格化，三維重建，影像檢索，GANs，相信總有你喜歡或者專案涉及的。

「AI白身境」一文覽盡計算機視覺研究方向

11、應用方向

學習最終是為了解決實際問題，AI已經滲入到了我們生活的方方面面。從自動駕駛汽車、影像美顏，到聊天機器人，金融支付等，因此好好了解下當前AI在各大領域的應用沒錯的，這次就不僅僅限於計算機視覺了。

12、認識學術大咖

要想真正融入行業圈子，緊跟技術發展，就必須要時刻了解大佬們的狀態，他們就是行業發展的風向標。

不管是學術界還是工業界，不管是老師傅還是青年才俊，讓我們一起見賢思齊吧。

我們開源了大佬研究方向的專案，歡迎follow。

「AI白身境」究竟誰是paper之王，全球前10的電腦科學家

13、人工智慧簡史

基礎打好了，接下來就是正式學習AI相關的知識，不管是在哪個課堂或者教材，都是讓大家先了解先賢們。

從圖靈與機器智慧，馮諾伊曼與類腦計算引發的人工智慧啟蒙，到三次浪潮的曲折和技術的成長史，值得每一個從事該行業的人閱讀。

「AI初識境」從3次人工智慧潮起潮落說起

14、神經網路基礎

深度學習研究問題的方法就是仿造大腦，根基是神經網路。從感受野，到MP模型，到感知機，到反向傳播，要很熟悉全連線神經網路的劣勢，卷積神經網路的特點，核心技術和優勢，這是學習深度學習最重要的基礎。

「AI初識境」從頭理解神經網路-內行與外行的分水嶺

15、瞭解領域的突破

既然學深度學習，就必須要了解深度學習的重要進展。

在前深度學習時代，視覺機制的發現，第一個卷積神經網路Neocognitron的提出，反向傳播演算法的流行，促進了LeNet5和MNIST資料集的誕生。

隨著新理論的成熟，大資料的積累，GPU的普世，以卷積神經網路為代表的技術在影像分類，目標檢測等基礎領域取得重大突破，隨著AlphaGo的成功同時在業內和業外人士的心目中種下了深度學習/人工智慧技術的種子，從此煥發勃勃生機。

「AI初識境」近20年深度學習在影像領域的重要進展節點

16、啟用函式

深度學習的機制模仿於人腦，人腦的細胞接受刺激從而產生活動需要一定的閾值，這便是啟用函式根本性的由來。

啟用函式肩負著網路非線性表達能力的提升，從早期平滑的sigmoid和tanh啟用函式，到後來的ReLU和各類ReLU的變種(LReLU，PReLU，RReLU，ELU，SELU，GELU等等)，Maxout，研究者一直試圖讓網路擁有更好的表達能力。

隨著技術的發展，利用增強學習等演算法從函式池中學習新的啟用函式如swish等，成為了當下的研究主流，啟用函式也走上了資料驅動的道路。

啟用機制看似簡單，實則不易，大家一定多跟進了解了解。

「AI初識境」啟用函式：從人工設計到自動搜尋

17、引數初始化

引數初始化，一個看似很簡單的問題，卻實實在在地困住了神經網路的最佳化很久，2006年Hinton等人在science期刊上發表了論文“Reducing the dimensionality of data with neural networks”，揭開了新的訓練深層神經網路演算法的序幕，仍舊被認為是當前第三次人工智慧熱潮的紀元。

從全零初始化和隨機初始化，到標準初始化，Xavier初始化，He初始化，時至今日上千層網路的訓練都已經成為了現實，初始化似乎已經不再是那麼重要的課題了，但是誰說就沒有思考的空間了呢。

「AI初識境」什麼是深度學習成功的開始？引數初始化

18、歸一化

我們總是希望所研究的統計問題能夠滿足固定的分佈，而且這樣也的確會降低問題的難度。

在深度學習中，因為網路的層數非常多，如果資料分佈在某一層開始有明顯的偏移，隨著網路的加深這一問題會加劇，進而導致模型最佳化的難度增加。

歸一化便是致力於解決這個問題，從資料到權重，從限定在同一樣本的一個特徵通道到不同樣本的所有通道，各類歸一化方法以簡單的方式，優雅地解決了深度學習模型訓練容易陷入區域性解的難題，順帶提升訓練速度提高泛化能力，這是一定要掌握的理論和工程技巧。

「AI初識境」深度學習模型中的Normalization，你懂了多少？

19、池化

大腦學習知識靠抽象，從影像中抽象知識是一個“從大到小”過濾提煉資訊的過程。從視覺機制中來的pooling即池化，正是對資訊進行抽象的過程。

池化增加了網路對於平移的不變性，提升了網路的泛化能力，大家已經習慣了使用均值池化mean pooling和最大池化(max pooling)，雖然可以用帶步長的卷積進行替代。

儘管池化究竟起到了多大的作用開始被研究者懷疑，但是池化機制仍然是網路中必備的結構，所以你一定要熟悉它，而且基於資料驅動的池化機制值得研究。

「AI初識境」被Hinton，DeepMind和史丹佛嫌棄的池化到底是什麼？

20、最最佳化

模型的學習需要透過最佳化方法才能具體實現。深度學習模型的最佳化是一個非凸最佳化問題，儘管一階二階方法都可以拿來解決它，但是當前隨機梯度下降SGD及其各類變種仍然是首選。

從SGD開始，有的致力於提高它的最佳化速度如Momentum動量法和Nesterov accelerated gradient法，有的致力於讓不同的引數擁有不同的學習率如Adagrad，Adadelta與Rmsprop法，有的希望大家從調參中解脫如Adam方法及其變種，有的致力於讓收斂過程更加穩定如Adafactor方法和Adabound方法。

沒有一個方法是完美的，訓練的時候總歸要試試。