深度学习的四个学习阶段！

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

来源：Coggle数据科学

机器学习领域是巨大的，为了学习不迷路，可以从以下列表帮助学习。它概述深度学习的一些学习细节。
阶段1：入门级
入门级能够掌握以下技能：
能够处理小型数据集
理解经典机器学习技术的关键概念
理解经典网络DNN、CNN和RNN
数据处理
在入门级使用的数据集很小，可以放入主内存中。只需几行代码即可应用此类操作。在此阶段数据包括Audio、Image、Time-series和Text等类型。
经典机器学习
在深入研究深度学习之前，学习基本机器学习技术是一个不错的选择，其包括回归、聚类、SVM和树模型。
网络
掌握常见的网络层，以及相应的神经网络；GAN、AE、VAE、DNN、CNN、RNN 等等。在入门阶段，可以优先掌握DNN、CNN和RNN。
理论
没有神经网络就没有深度学习，没有（数学）理论就没有神经网络。可以通过了解数学符号来开始学习，可以从矩阵、线性代数和概率论开始你的学习。


    
阶段2：进阶水平
进阶和入门级之间没有真正的分界，进阶水平能够处理更大的数据集，能够使用高级网络处理自定义项模型：
处理更大的数据集
能够自定义模型完成任务
网络模型精度变得更好
数据处理
能够处理几GB的数据集，需要自定义数据扩增方法和数据处理函数。
自己完成任务
能够根据具体任务完成代码的开发，而不是参考MNIST的教程完成编码。
自定义网络
处理自定义项目时，如何处理数据数据？如何定义自己的网络层？
模型训练
掌握迁移学习的思路，学会使用预训练权重完成新任务。并掌握冻结部分网络层的方法。
深度学习理论
掌握深度学习模型的正向传播和反向传播，特别是链式求导法则。掌握激活函数和目标函数的作用，能够选择合适的激活函数和目标函数。
阶段3：熟练水平
与进阶相比你需要掌握更加的数据集处理方法，并掌握加速模型训练的方法：
大规模数据的处理和存储
网络模型的调参
无监督学习和强化学习
数据处理


    
需要掌握几百GB数据集的处理，学会Linux的操作。此阶段可能接触到多模态任务。
无监督项目
开始尝试无监督网络模型的搭建，如自编码器和GAN模型，能够掌握模型原理。
模型训练
掌握模型调参的方法和常见的日志和可视化工具，如TensorBoard的使用。掌握学习率的调节方法，如余弦退火。掌握多机和混合精度训练。
阶段4：专家级
掌握前沿的学术模型的发展，知道自己的兴趣是什么，并能提出新的模型：
学会使用JAX或DALI处理数据
熟悉图神经网络和Transformer模型

本文在原文基础上进行了精简，原文链接：https://towardsdatascience.com/a-guide-to-the-field-of-deep-learning-9bb9b21dae2

声明：部分内容来源于网络，仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥，请联系删除。

下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲
在


    
「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~