深度学习工程师的4个档次

最近不少朋友问我,转行做深度学习的话,能不能找到工作,能找到什么样的工作,能达到什么样的收入水平……

这种问题其实不仅仅是存在与深度学习行业的入门和转型中的思考阶段了,在其它的行业和技术领域同样有这样的困惑和疑问。那么对于深度学习这个领域目前阶段的发展来说,一个工程师要具备什么样的素质才能算是达到要求呢?我想可能可以粗略地分成4个档次吧。

LEVEL1:能读懂论文

这是一个最最基本的层次了,如果没办法读懂论文的话,任何工作几乎都谈不到开展。市面上的任何书籍,不论是中文的还是外文的,都在讲原理层面的事情,要想看着这些书籍来直接做项目是非常困难的事情。而对于拿到一个工程需求的时候,不论这是一个分解完的需求还是一个分解前的粗需求,第一步几乎都是要到网上去找文献——看看目前为止,世界上其它的人有没有涉足过这方面的研究,并且有一些理论成果出来。这非常重要,因为这直接会奠定后面研究和开发的大方向。

LEVEL2:能修改代码

如果你能够读懂论文,并且能够在GITHUB上找到一些原生或者野生的代码,还能运行和修改,那么恭喜你,你已经算是一只脚踏进“工程师”的门槛了。这里说的原生代码说的是论文的书写方自己实现的代码(大多数以python为主,也不乏lua等其它语言);野生代码就是一些好事者看了相关的论文写的一些实现。这两种不论有哪一种都是非常好的,毕竟模型已经在一定程度上落地并且验证过了,尤其是那些stars给的比较多的工程项目。能够读懂,并且对这些代码进行工程层面的改造,已经是实现相关需求的最基础的内容了。在这个部分请注意,不论是原生代码还是野生代码,它们在实现的过程中和论文可能多少都有一些出入,有的出入属于有意或无意的删改,有的则属于Trick(技巧)的省略,这些都会导致你在运行这些代码的时候与论文所描述的各种技术指标产生差距。不过还好,到这个程度基本已经可以找到一份收入还说得过去的工作了。

LEVEL3:能够实现论文代码

如果LEVEL2这个级别没有问题的话,那么可以尝试挑战一下第三个档次。那就是根据论文中的一大堆公式和实验描述来自己实现代码,不过这个可着实不容易。如果实在没有这方面的能力或者经验,可以从LEVEL2做一个过渡,那就是读懂并理解第三方代码的深刻含义和各个部分的门道,然后做一些调整和深度修改。并能够在自己强大的理论基础和工程经验指导下,对原来模型进行有益的优化。使得这个模型能够顺利迁移到当前需求的场景下,并且能够逐步演进,直到正常工作。如果这个级别基本没问题的话,恭喜你,在一线城市,要一个年薪50W以上的工作几乎是唾手可得。

LEVEL4:新的模型建议

当你对深度学习各方面理论有了足够透彻的见解,通常都会深入地去研究一个方向而不是再涉猎广泛地去各种下载代码和让他们跑起来——物体检测、人脸识别、自动驾驶、声音转换等等一系列方向都是可以尝试的。当研究到一定水平以后,你的研究成果是会可以在业界有脱颖而出的能力的。这个脱颖而出不是指你在理论上明显碾压业界标准,而是说你在模型设计上的某些技巧会比同时代的其它相关模型有着更好的表现不论是速度性能、准确率、训练时间等,任何一个方面得到了明显的提升那就是非常值得称道的专家级人物了。到这个级别,在不少公司里基本都可以被称为“科学家”,或者“资深专家”了。

在此之外,应该还有更高的层次,不过我想把它列入工程师的评价范畴显得不太合适——那就是,可以提出比较新的理论基础或者方式,在更大层面给后世提供一个研究的基调或者方向。例如CNN的提出,例如GAN的提出等,这些都是有着划时代意义的。达到这个档次的数据科学家会成为整个行业坐标性人物,也是凤毛麟角。这是每个深度学习工程师都值得去努力追求的方向。

原文发布于微信公众号 - 奇点(qddata)

原文发表时间:2017-10-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据科学与人工智能

数据科学面临的共同挑战

随着我们进入2017年下半年,是时候看看那些使用数据科学和机器学习的公司面临的共同挑战。假设你的公司已经在大规模收集数据,需要用到分析工具,而且你已经认识到数据...

35210
来自专栏CSDN技术头条

【BDTC 2015】推荐系统分论坛:百度、微博、京东推荐系统架构和实现

2015年12月10-12日,由中国计算机学会(CCF)主办,CCF大数据专家委员会承办,中国科学院计算技术研究所、北京中科天玑科技有限公司与CSDN共同协办,...

23410
来自专栏人工智能头条

【BDTC 2015】百度、FreeWheel、新浪微博、京东和猎聘推荐系统架构和实现(视频+PPT下载)

2205
来自专栏ATYUN订阅号

【业界】人工神经网络在这6大领域超过人类!

五年前,研究人员对能够解释图像的软件的准确性方面有了相当大的飞跃。人工神经网络支撑了我们目前在AI领域看到的“繁荣”。然而,我们仍然没有达到像“终结者”或“黑客...

2764
来自专栏CSDN技术头条

深度学习:未来机器人的进化途径

【编者按】随着人工智能的发展,机器已经可以完成更多的操作,然而让机器人如人脑一样的思考仍遥遥无期。同时,业内对“深度学习有帮助机器人大脑进化的可能”已达成共识。...

2595
来自专栏机器人网

微软披露“绘图机器人”最新研究进展

微软相信 2018 会是“人工智能之年”,并且投资了多个 AI 项目,比如几天前发布的一款能够读取和回答问题、准确水平与人类文件相当的 AI,且希望将这类技术用...

3224
来自专栏华章科技

10个小方法让你的数据更引人注目

你已经花了无数时间来创建和进行一系列的活动,现在你终于准备好了要把结果展示给老板看。你已经精心排练了你的演示报告,对整个工作感觉好极了,除了那张展现结果表述得不...

1172
来自专栏量子位

机器学习如何入门?Kaggle CTO刚刚写了份详细的指南

李林 编译整理 量子位 出品 | 公众号 QbitAI 上周,Ben Hamner很忙。 作为全球最大数据科学和机器学习竞赛平台Kaggle的联合创始人&CTO...

2594
来自专栏华章科技

深入浅出:推荐系统原理与应用

最近在做推荐系统,在项目组内做了一个分享。今天有些时间,就将逻辑梳理一遍,将ppt内容用文字沉淀下来,便于接下来对推荐系统的进一步研究。推荐系统确实是极度复杂,...

1161
来自专栏PaddlePaddle

知名深度学习框架的典型应用案例一览

TensorFlow在谷歌系的产品中应用非常多,比如Gmail, Google Play Recommendation, Search, Translate, ...

1565

扫码关注云+社区

领取腾讯云代金券