Deep Learning 的专家如此急缺，它难在何处？ 第1页

上来先亮明我的观点：实际缺乏的不是Deep Learning的人才，而是可以实际解决问题的人才。而实际可以解决问题的人才不管在什么时代都是稀缺资源。

看题主这问法，潜意识里的一个概念就是数学不难的东西都是小儿科。我是一直鲜明反对这样的观点的。我一贯坚持的哲学是混哪个圈子请先用心体会这个圈子的研究逻辑，而不是拿着自己的逻辑到处judge。Deep Learning本质上是工程学科，而不是自然学科。这个性质天生决定这个圈子的人更加关注的是解决问题，或者换句话说如果必须要二选一，理论要为实践让路。这种研究的哲学和做统计等等看上去很相关的学科有着本质区别：一个理论再优美，bound证明得再漂亮然而实际不work在这些人眼里并没有太大价值。这背后本质的区别在于，统计或者理论机器学习这些学科为了有漂亮的理论不得不对现实世界做出大量简化，而真正做问题的人，是不可能对现实世界做出任何妥协的。对于工程学科而言，只有很少数的方法，是可以在理论和实践上高度统一的。

关于不同research这些的问题，可以参见我之前的两个回答吧：

另外一个方面，工程学科的本质使得Deep Learning更在意实际动手的实现。你说RCNN有什么难的吗？不就是生成个proposal再分类下嘛。Fast RCNN又有啥呢？不就是个可以BP的SPP嘛。我很不想说Idea is cheap这句话，但是Show me the results的重要性不言而喻。RCNN不是第一个用CNN做detection的paper，而是第一个用CNN把detection做work的paper，第一个证明CNN的feature不仅仅可以做分类的paper。单就这一点就足可以奠定这个工作在整个CV发展史上的地位。记得当初Ross在CMU给talk的时候，我当时的老板做介绍的时候打趣了一句：He is the only man can make things work in computer vision. 这个评价在我看来，已经是顶级的了。以至于后来有人问我说你对自己期待是什么样子，我的回答就是做啥啥work。 XD

说了这么多，最后来回答下问题：Deep Learning本身并不难，难的是你吃透问题，可以用Deep Learning的逻辑去思考你自己的问题，有针对性地设计模型；难的是你有分析问题和结果的能力，遇到负面结果不是抓瞎。另外说Deep Learning就是调参数的，那也是不会调参，调参也是要按照基本法的啊！

最后，如果你觉得可以达到上面的要求，欢迎私信轰炸哦~ 大量实习和全职岗位等着你~