学习深度学习课程之后，可以从事的工作有很多。

如：人工智能算法工程师、深度学习算法工程师、计算机视觉工程师、深度学习训练工程师、图像处理算法工程师、自然语言处理算法工程师、智能制造算法工程师、强化学习工程师等等。

从一句代码都不会写，慢慢接触数据分析花了半年，然后学习机器学习、深度学习、自然语言处理又花了半年多，虽然标题写的是深度学习的学习心得，但其实更多是这一年多的时间里，关于编程、模型等等的学习的回顾和反思。

首先我本科学的是数学，不过说实话学得也不好，很多知识理论考完试就忘了，印象最深的只有实变函数，因为难得逆天，所以实际上，我的背景就是数学学得不好，编程也没怎么接触过（除了用过matlab做数学建模），这样的我却因为一些巧合去了一家企业实习做数据分析，开始正式学习编程。

当时的老板对我也是非常好的，他给我定下了一个半年计划（因为我就实习半年），首先从数据库开始学习数据的预处理，然后学习Java，通过Java连接数据库做一些复杂逻辑的数据处理，同时结合python做分析，这是主线。另一方面，因为当时公司想要做一个交通大数据平台，所以还涉及到前端方面的知识、数据接口之类的东西，这些也要学，不过这些就是其他同事的工作，我就是偷一下师。

这个计划现在看来是非常合理的，主要在于学习的顺序，我认为一个合理的学习顺序对于最终的效果有很大的影响，可以看到，首先学习mysql，语句十分简单，很适合作为一个变成零基础的人入门，然后是学习Java而不是python，我个人觉得python虽然写起来简单，但不够"规范"，比如说用python输出一个语句只用一个print就足够了，Java却要写一大堆东西，但那些东西没有意义吗，恰恰相反，它们其实反映了面向对象编程的思想，只是python隐藏了这些东西。所以我觉得如果想要系统学习编程，python并不是一个好的选择（当然，做深度学习的话或许学习C++和python更好，不过那就是后话了）

另一方面，我觉得学习如果想要效率高，最主要的就是要有目的，少点纠结细节，少看书，多实践。这是老板给我的建议，比如说数据库，如果买一本书来看，几百页，看完都一个月过去了，而且对一个编程零基础的人来说，看完估计也是什么都不懂，所以最实际的方法就是在网上搜教程，最简单的sql教程，大概看一下，然后就直接上手，当时我以处理数据为目的，根据需求想办法写出sql语句，想不出来就谷歌，这样几天下来，很容易就熟悉了。

后来我也继续跟着老板做一些大规模数据挖掘和机器学习的内容，然后就进了机器学习的坑，关于机器学习，我个人觉得还是那两点心得，制定一个合理的学习顺序，以及少看书，多看博客。什么是合理的学习顺序，就是比如你不能跳过机器学习直接学深度学习的模型，只有深入理解了线性回归、逻辑回归，才能更好地理解神经网络，像这样一步一步踏实地学习，总是没错的。除此之外，我觉得学习一个模型，很重要的一点就是要自己推导一遍公式，用代码实现一次模型，然后写一篇文章记录下来，只有你能够向别人解释清楚这个模型是什么，这才算真正掌握了一个模型，所以虽然这个过程会耗费很多时间，但我也一直在坚持，一直写博客。

后来，我决定做自然语言处理，又找到了一些新的心得。首先，当你学习的内容慢慢变得前沿，你会发现书肯定是没用的了，因为特别是深度学习这个领域，每年都会出现一个甚至几个有很大突破的模型，即使你买了一本上年出的书，你也会发现它很多内容都是过时的，而且书本讲的都是差不多的内容，最重要的是根本就不够深入！然后就看博客吧，可是还是那个问题，当你学习的内容变得前沿，学的人就会慢慢变少，其中写博客的人就更少了，所以你会发现，比如你想搜一些ESIM模型的文章，好像全网都是同一篇文章相互引用。

这时候就需要看论文了，其实我们可以把论文看成更加严谨的博文，你看博客可能会有小错误，但是论文基本上是不存在的，而且其实论文也写得很详细的，每个细节都会讲解清楚，可能就是有时候不够博客通俗易懂而已，对英语的要求也更高一点。

除此之外，论文也能让你了解到目前学术界的发展进程，比如说，你想学习CNN，然后上网搜文章，感觉学了好多，但其实说的都是上个世纪提出的LeNet，后面已经提出了GoogLeNet、ResNet、DenseNet等等一大堆模型了，可是你不看论文你是不会知道的，或者说你会经常看到这些词，但你并不知道这些原来是CNN的改进版本，也不清楚它的发展历史。

最后，看论文还有一个好处，就是拓展思路，每篇论文其实都包含了这个研究方向的一个综述，也会写到研究团队的改进思路，这些都是很宝贵的东西，在阅读过程中，你就会慢慢发现原来之前觉得很厉害的LSTM其实还是会有短期记忆的问题，原来Transformer就是为了改进LSTM这个缺点用multi-headattention替换所有RNN、LSTM而提出的，诸如此类的，明白不同模型的优缺点，不同模型是如何改进的，这些都对研究有很大的帮助。

所以总的来说，如果现在给我一个新的知识点，我会怎么学习呢，首先就是看博客，看有没有写得比较好的博文，然后就是看相关的论文，再把自己的理解记录下来，写成文章，这样也能帮助到其他需要学习的人，最后，再用代码实现。

关于代码实现模型这一块，我也说一下自己的一些习惯，首先，虽然自己从头开始写一个模型可以深刻地理解它，但耗费的时间实在太多了，所以我往往会在github上下载代码，一般这样下载下来的代码是比较完整的，有很多功能的，然后我就会删减代码，简化代码的好处就在于能让你初步了解实现这个模型的核心模块，同时能理顺整个模型实现的思路，避免其他功能的干扰，比如说你想学习一个简单的全连接神经网络结构，下载了代码发现作者在神经网络的基础上又加入了dropout、残差连接等等，这些结构能让模型效果更好但却不是最核心的模块，所以你就可以删掉它们了，在分析哪些可以删除哪些不可以的时候，你自然就明白了整个模型的思路了。

之后，我会在代码上写注释，分析出每一步的作用，每一步是如何实现的。最后，如果想要更深刻的理解模型，我就会选择把这个模型应用到其他问题上，比如我现在有一个用于图像分类的CNN，那么我就会想办法把它改成用于文本分类的CNN，改动不大，但是实际改完你就会发现对模型的理解又更深了。

以上就是我这一年多时间学习编程、深度学习的一些小小经验，如果能够带给正在烦恼如何入门的你们一些小小的帮助就好。

最近本人在github写了一个自然语言处理的入门教程，包括模型的代码和模型的分析介绍，欢迎交流：NLPBeginner

想浏览更多关于数学、机器学习、深度学习的内容，可浏览本人博客