学习深度学习如何避免成为程序员？
加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！
同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号 ，回复 加群，立刻申请入群~
本文来自知乎问答，回答均已获作者授权，禁止二次转载
问题：学习深度学习如何避免成为程序员？
问题描述：题主是深度学习方向研究生，以后想从事深度学习方向的学术研究，请问在深度学习的过程中，如何避免最后成为吃青春饭的程序员？
https://www.zhihu.com/question/348474416
知乎高质量回答
1、作者：蓝色
https://www.zhihu.com/question/348474416/answer/841538273
目前AI是落地期，AI不仅仅只有算法，是一个系统工程。
据我观测，搞算法的其实并不需要那么多，而且实际使用的并非是什么屌爆了的算法，比如实际硬件产品的算力就在这里，你那些需要很高算力的模型完全落地不了。很多时候如何对模型进行更有效的量化，压缩，更快的跑起来往往对AI落地有更直接的影响。这里面不仅仅有算法，更有与计算机本身有直接联系。所以，不要有我学了算法，我就不需要写程序，写程序是低端活的想法，这种想法很危险。
补充一点你说的学术问题，目前一个重要的方向就是量化压缩，如果你不懂计算机，不懂代码，你如何在目标平台实现你的想法？我所知道的学术大佬，哪个不是代码6的飞起，没有代码作为支撑，你的学术愿景都无法起飞。前几年AI太火，都想着我加几层卷积，搞几个模型我就是大佬了，太浮躁了，其实还差得远呢。
2、作者：王凯强
https://www.zhihu.com/question/348474416/answer/841875087
不如来做交叉学科？入坑 “深度学习交物理学(光学)”？编程肯定也是要编程的(但相对简单)，更多的是寻找idea，去实验室搭光路，拍大量样品。从此 ，告别脱发，剃成光头[手动狗头]。
无论是全光学神经网络的研究，还是深度学习算法在物理学中的应用，都和传统的深度学习算法研究不同。
思路就是，从物理学角度出发，用纯深度学习算法或将其与具体的物理过程相结合，来解决物理学中的问题。
举几个简单的例子:
（1）全光学深度学习神经网络:
香港科技大学Du课题组最近出的一篇: 提出了一种功能齐全的全光学神经经网络。为什么说功能齐全？ 线性操作是用空间光调制器和傅里叶透镜实现的。非线性映射是用具有电磁感应透明性的激光冷却原子实现的。（中国在该领悟突出的一笔，相当的棒！） All-optical neural network with nonlinear activation functions（链接：https://www.osapublishing.org/optica/abstract.cfm?uri=optica-6-9-1132 ）
（2）深度学习算法在物理学(光学)中的应用:
（2.1）深度学习相位解包裹
数字全息术中，有一个重要问题“相位解包裹”。携带物体信息的物光和已知分布的参考光相遇，产生全息图(物体的相位信息隐含在其中)。我们从全息图中解调出来的是物光复振幅信息，取angle后得到的相位信息会被限制在-π到π之间。所以我们需要把它展开，就是所谓的“相位解包裹”。
西北工业大学课题组结合相位数据集创建的方法和深度学习中的U-Net，给解包裹过程中抗噪声和抗混叠问题的解决提供了一个新的思路。One-step robust deep learning phase unwrapping（链接：https://www.osapublishing.org/oe/abstract.cfm?uri=oe-27-10-15100 ）
（2.2） 深度学习全息重建
携带物体信息的物光和已知分布的参考光相遇，产生全息图(物体的相位信息隐含在其中)。 我们需要从全息图中解调出来物光的相位信息和强度信息。上述过程称为全息重建。
西北工业大学课题组提出一种专门针对one-to-two物理过程的网络框架，Y-Net。 一张全息图输入Y-Net，就可以同时得到相应的相位图和强度图。再有多尺寸卷积的加持，相比直接用U-Net又精(精确度提升)又快(训练参数减少)。Y-Net: a one-to-two deep learning framework for digital holographic reconstruction（链接：https://www.osapublishing.org/ol/abstract.cfm?uri=ol-44-19-4765 ）
（2.3） 深度学习在散射介质成像，自适应光学等等都有用武之地。
3、作者：朱里
https://www.zhihu.com/question/348474416/answer/841775222
讲一个亲身经历吧。
去年一位硕士老弟来我组实习，本来跟我一起搞NLP产品落地的。
后来由于业务调整，我去搞大数据平台，后来又做图计算去了，于是原定带他做的事相当于无疾而终。
为了让他实习有所收获，我换了个思路，尽我所能给他一些工程习惯，职业规划，工作态度，人生选择上的建议。
为什么呢？因为他足够好学，做人也足够踏实。只学深度学习，他就是tfboy，只学NLP，他就是gensim boy。甚至换方向，只学大数据，他就是spark boy。这都是术，不是道。
术和道肯定是先术后道，但无道也是不行的。
如果先把意识建立起来，他就站稳了脚跟，接下来他就能自己找到路了。
一年后跟他见了一面，他后来去MSRA、腾讯又实习了一波。
MSRA那个我尤其高兴，因为他多次跟我提起很想拿一次offer，进去实习一回。
总结一下，就是先知道自己是谁，知道自己该干嘛。
少些架子，多点实干。
最后，我工作中认识的，发自内心佩服的，能够放心合作/请教问题的科学家大佬们，除了自身的学术积累之外。还有如下几点中至少一两点，才成长为大佬：
丰富的项目经验和领域知识。
硬核的代码能力和工程素养。
强大的商业洞察力和扯淡能力。
头发少点？胡子长点？年纪大点？
只凭学术能力就打天下，那是纯学术路线，硕士...就算了。
学术界的内卷和残酷程度另有一堆知乎提问可以参考。
2019年10月4日补充：
关于上面提到的四点额外素质，还是展开说一下吧。
第一项是项目经验和领域知识。
这部分主要是know how和empirics。比如现业界对于AutoML一边在研究，算是arXiv的话题区之一，另一边业界对于Drools这样的专家规则系统也没放弃。
搞算法你说你是做图谱，做NLP的，这不够。
搞科研你可能是聚焦在任务（各种conference提出的各种task），但在业界你得清楚你所投入的业务场景。
你可能不靠经验和领域知识吃饭，但领域知识和项目经验绝对是你的智力资产，别人夺不走，尤其是有含金量的项目。
这部分的主要陷阱是一年经验*10的问题，需要规划好路线，否则成长就会越来越乏力。
第二项是工程素养和代码能力，其实就是“能打”。
如果走管理路线还好，只要保证技术sense不过分退化，以至于给研发组做出误导性的建议和决策，就算OK。
如果是在研发一线的小司机、老司机，那就得能打。
打不动就多喊几个人打，打得动就带人一起打。
这部分很少有高大上的东西，而且说实话，有技术含量的主要集中在两部分：
基于可解释的算法进行公式、模型结构的优化。（知道自己在干嘛）
（还在玩老虎机的同学请珍爱生命，远离赌博。——沙县警告。）
基于各种系统指标进行系统级的架构设计和调优。（说干就干）
（你问我在干嘛，我也说不清楚。反正系统跑起来，我就下班了。）
正好一个算法一个系统，两方面配合好了才能做出好的AI产品。
如果非要盯着高大上，只求逼格的话...那估计看不上“工程”二字吧。
补充一句，之所以计算机系统领域总让人觉得缺乏高大上的观感，各种脏活累活，是因为这部分就是又脏又累，产出的成品又都是很底层的基础架构组件、系统，非技术受众根本看不到也看不懂，更别提欣赏和理解。
第三项是商业sense，也就是接地气的同时又不落俗套，不轻易被商业世界兜售给你的各种观点填满大脑。张一鸣知道吧？曹操一般的存在。
技术人如果完全技术导向，倒也可以，活得简简单单没什么不好。
但有些技术人天生有player的属性，所谓player，就是不满足于只做pawn的人。
技术只是手段，那手段用上了必然要有其目的。盈利？赚吆喝？布局？完成投资人的任务？Whatever you name it.
所以不论是承担项目研发，技术负责，产品负责还是自己创业，有商业思维的人，总会比没有的人看问题深一层，跟他们聊天往往能感受到犀利，不同于纯技术思维的那种“愣”劲儿。
至于第四项，活久见吧。
前沿行业总是牛人多，年轻人等着打倒权威的更多。
行行如此，不过朝阳行业的好处是相对公平，相对干净。
所以人才的更替方式比较体面。
You're getting old, so keep learning.
-End-
*延伸阅读
CV细分方向交流群
添加极市小助手微信（ID : cv-mart），备注：研究方向-姓名-学校/公司-城市（如：目标检测-小极-北大-深圳），即可申请加入目标检测、目标跟踪、人脸、工业检测、医学影像、三维&SLAM、图像分割等极市技术交流群，更有每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流，一起来让思想之光照的更远吧~
△长按添加极市小助手
△长按关注极市平台
觉得有用麻烦给个在看啦~