点上方计算机视觉联盟获取更多干货

仅作学术分享，不代表本公众号立场，侵权联系删除

转载于：作者丨沈世钧、DLing、坡哥说

来源丨知乎问答

编辑丨极市平台

985人工智能博士笔记推荐

周志华《机器学习》手推笔记正式开源！附pdf下载链接，Github2500星！

# 回答一

作者：沈世钧

来源链接：

https://www.zhihu.com/question/436874654/answer/1746629056

分享2个关于算法（包括算法工程师）的心得。

1.成就一个优秀算法工程师的，不仅是聪明和汗水，更还有那一瞬间的灵感。

一作算法的朋友，入行几年一直平庸无奇，然而就在某个下午，它在公司的走廊上遛弯的时候，就在一瞬间，它脑子中闪出一个精彩的点子，一下把公司的算法性能提高了几倍。

为此，公司奖了他一大笔钱。有了这笔钱，朋友原本准备在上海首付买房，结果直接全款，而且还是90多平米的大房子。

但其实，当其他的同时了解了朋友的灵感之后都感慨万千，因为实在是太“简单”了，不过是利用了gpu的某个硬件特性而已。

但是，就是这么个简单的东西，放在那里，别人就是没想到，最后被朋友捡了个漏，只能说大概那一刻，他被上帝的苹果砸中了头。

2.算法是一个残酷的竞技场。

做软件开发的都有体会，一个优秀的软件工程师相比于一个平庸的软件工程师，可能会有数倍的生产力优势。

但是，即使是一个平庸的软件工程师，管理得当，总能够有产出，然后薪水合理，总还是能够追求性价比的。

所以，这么多年来，我还没见过因为纯技术的因素被淘汰出这个行业的软件工程师。也就是说，只要肯吃苦，薪水合理，总能有口饭吃。

但算法工程师不一样。

杰出的算法工程师相比于无所作为的算法工程，可能是极大和0的差别。

和软件开发不同，相同功能的系统，很能进行量化的比较，但算法不一样，在标准的数据集上，可以得出一个精确的性能/精度结果。在此之上，就可以就行各种比赛以及排名。

所以经常会出现这种情况。

作为一名算法工程师，过去的1年你投入了巨大的精力在某个算法的改进上，结果感觉也进步不小，但很有可能在年末的比赛中被同行吊打。

我就见过朋友辛苦了一年，比赛结果出来，排名直接去年的前5跌出前10，这个时候人只能感慨：“不是我不努力，而是对手太强”。

但最让人感到痛苦的时候，当我们被对手吊打的时候，我们甚至猜不出对手到底使用什么“黑科技”，从而取得了如此突飞猛进的成果，也许就如上面所描述的，对方的某个算法工程师也被上帝的苹果砸中了脑袋。

所以，在关键指标上，公司对算法工程师的产出考核是极端苛刻的，要么是1，要么是0。你辛苦研究出的东西很可能一出生就是落后的，要被淘汰的东西。

所以，算法工程师的情绪常常要在谷底和巅峰之间飞跃，承受巨大的压力。

正是因为算法输出成果的可比较性，在其中的算法工程师往往会承受巨大的压力，这种压力比程序员更大。

程序员虽然很累，但好在程序员的工作需求往往是明确的，过程（搬砖）是可预期的，压力主要体现在工期上。而算法工程师的需求有时候是不明确的，即使是明确的，但过程却未知，需要去探索，有时候依赖于灵感。

过去的这些年，我从没见过因技术主动离队的程序员，但我却见过不止一个因为技术，承认自己被击败，而主动离队的算法工程师。

# 回答二

作者：DLing

来源链接：

https://www.zhihu.com/question/436874654/answer/1744174731

突飞猛进不敢当，但是从事深度学习图像算法这几年来，却是也有一些感慨。

1. 数据放在第一位，成也数据，败也数据。深刻认识数据的重要性，把数据集维护好，数据量够了，再谈后面的模型优化，数据都不干净，用再好的模型，也不会出好的结果。

2. 启动开发前，多问问自己有没有了解这个业务，目前定的方案还有没有盲点没有考虑到，毕竟启动开发需要准备各种数据集，耗时长且需要一定的人员和经济投入，如果开发过程中或者测试阶段发现方案不合适，这时候推倒重来的话，就DT了。

3. 算法工程师并不只是调包侠，炼丹师，而是一个综合要求很高的岗位。要训的了模型；写的了逻辑；优化的了算法性能，时刻把运行速度，准确率，召回率，显存利用率，显存占用，cpu利用率，内存占用，并发路数等等记在心里；还得深刻了解业务，目前的方案合不合适？产品定的指标，给的需求有没有坑？完成这些需求，要选什么样的硬件最划算，可不可以少几个模型，毕竟看数据也很费眼；

4. 多实验，多记录，多对比，勤讨论，勤汇报，勤迭代。这一行多少还是有点玄学的，很多问题没有很强的理论可以支撑，靠经验的地方很多，这个模型效果好，很多情况也不是推导出来的，而是实验出来的，有时候想破脑袋，也没有动手起几个模型效果来的快。平时多跟同事同行讨论讨论，搞不好费了你好几根头发的问题，就被别人解决过呢？

5. 多看行业顶会论文，多追追大牛的博客，思路打开了，落地也就简单很多。

以上是我从事算法行业几年来的一点点体会，不是具体到看了某一篇论文，学了某一个框架，熟悉了某一个语言给自己带来的提升。但就我而言，这些对岗位认知的更新，做事套路的更新对自己的提升有时候要强于某一项具体的技术。今天把这些体会分享出来，希望能符合题主预期。

# 回答三

作者：坡哥说

公众号：坡哥说

来源链接：

https://www.zhihu.com/question/436874654/answer/1705702321

模型不是一切！

模型不是一切！

模型不是一切！

重要的事情说三遍！

其实并不存在所谓的突飞猛进，就是从业务出发，去连接业务和模型、特征本身。那些模型也好，技术也罢，不落在真实的业务场景和产品中，则产生不了太大的商业价值。

我们绝大部分人都是普通人，大家都是为了挣钱、养家糊口才去工作的，而老板愿意给你发更多钱并不是因为你搞的这个技术很黑科技，很牛X，而是你做的东西带来了商业价值。

苦口婆心地劝还在学校的学生不要迷恋模型，可能一点儿用也没有，因为人家接触不到真实业务场景和数据。

其实，算法工程师，越做越久，就会发现本质还就是数据分析和归纳，模型那些东西不会占用很多时间，更何况，工业界用的实实在在的那些模型，其实都是些非常经典，架构简单的，绝不是堆砌那些花里胡哨，投入产出比低的模型。

-------------------

END

--------------------

我是王博Kings，985AI博士，华为云专家、CSDN博客专家（人工智能领域优质作者）。单个AI开源项目现在已经获得了2100+标星。现在在做AI相关内容，欢迎一起交流学习、生活各方面的问题，一起加油进步！

我们微信交流群涵盖以下方向（但并不局限于以下内容）：人工智能，计算机视觉，自然语言处理，目标检测，语义分割，自动驾驶，GAN，强化学习，SLAM，人脸检测，最新算法，最新论文，OpenCV，TensorFlow，PyTorch，开源框架，学习方法...

这是我的私人微信，位置有限，一起进步！

王博的公众号，欢迎关注，干货多多

手推笔记：

思维导图  |  “模型评估与选择”  |  “线性模型”  |  “决策树”  |  “神经网络”  |  支持向量机（上）  |  支持向量机（下）  |  贝叶斯分类（上）  |  贝叶斯分类（下）  |  集成学习（上）  |  集成学习（下）  |  聚类  |  降维与度量学习  |  稀疏学习  |  计算学习理论  |  半监督学习  |  概率图模型  |  规则学习

增长见识：

博士毕业去高校难度大吗？  |  研读论文有哪些经验之谈？  |  聊聊跳槽这件事儿  |  聊聊互联网工资收入的组成  |  机器学习硕士、博士如何自救？  |  聊聊Top2计算机博士2021年就业选择  |  非科班出身怎么转行计算机？  |  有哪些相见恨晚的科研经验？  |  经验 | 计算机专业科班出身如何提高自己编程能力？  |  博士如何高效率阅读文献  |  有哪些越早知道越好的人生经验？  |

其他学习笔记：

PyTorch张量Tensor  |  卷积神经网络CNN的架构  |  深度学习语义分割  |  深入理解Transformer  |  Scaled-YOLOv4！  |  PyTorch安装及入门  |  PyTorch神经网络箱  |  Numpy基础  |  10篇图像分类  |  CVPR 2020目标检测  |  神经网络的可视化解释  |  YOLOv4全文解读与翻译总结  |

点分享

点收藏

点点赞

点在看