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：新智元

AI博士笔记系列推荐

周志华《机器学习》手推笔记正式开源！可打印版本附pdf下载链接

深度学习是计算机专业当下最火爆，最有钱途的专业，而身在这个浪潮中的博士生为什么都很焦虑呢？reddit上一个小哥发帖称，不知道自己做的是科研还是工程？是算法还是调参？连矩阵的秩都不会求了，因为完全用不上！对此你有什么看法？

最近Reddit上有一个帖子又火了！

一个小哥读了博，并且还是最火的深度学习博士，主要研究领域为计算机视觉和自然语言处理，但他每天却都很苦恼，感觉自己不是在做科研，而是在做工程！

他在Reddit论坛上求助网友，如何让对在学术上没有取得特别优秀成就的他成功取得博士学位。

文中他说自己正在攻读机器学习的博士学位，主要从事深度学习，并且还基于此有了一些会议上的论文，但是这些会议并不是公认的顶级会议。

尽管不是顶会，但是审稿人对他的要求和回复还都是相当苛刻的。

他也明白他们为什么这么挑剔，坦言自己不是一个优秀的学生，实验室也不是一个优秀的实验室，所做的主要工作就是重新使用现有的方法为不同的领域，例如使用一个 ResNet 用来做医疗成像，或是基于Transformer的音乐分类。

和其他人相比，他自认为严重缺乏数学背景知识，即使努力阅读，也经常立即忘记那些实际上并没有用到的概念，甚至都不会计算矩阵的秩是多少，更不用说如何使用它了。

这就是为什么没有真正想出新方法的部分原因，更擅长组合现有的东西，但有时感觉不像是研究，而更像是工程学。

因为贡献比较平庸，所以小哥不认为他能够在学术界有所作为，所以未来可能会在这个行业内找一份工作，而不是去大学谋一份教职。

最后这位小哥希望网友们对他的博士生涯给他两个建议（1）提高

如果在周末有剩余的精力，也许应该做一些副业？

对此，网友表示，这不是一个简单的问题。

最终，你的博士学位就是你的博士学位。这真的只是第一步，如果你渴望在训练中改变世界，这可能会让你失望。尽管要完成的必要贡献微乎其微，但不要去磨练那些能让你接受挑战的技能。比如详细的笔记，严格的编程，以及在一个感兴趣的领域保持最新的习惯，包括与同龄人的接触。这些绝不是一个完整的列表，只是那些我很高兴我继续工作。

网友表示赞同，永远记得博士学位只是你的起点绝非重点，这只是你接受教育的一部分而已。

还有网友表示，这简直跟自传一样！看来每个人的博士生涯都很难过。进入工业界是我做过的最好的决定。“我找到了 x 模型，并把它应用到问题 y 上以得到更好的结果”正是公司所看重的，能够解决问题的人才。

还有的网友劝他要懂得平凡的可贵，每天比昨天的自己进步一点，就是最大的成就。

对于我们这些凡人来说，我收到的最好的建议就是“你的论文是你写过的最糟糕的作品”。与我们部门最聪明的人设定的高标准相比，我的简直是垃圾。但是它是完整的，并且通过了检查。

不要拿自己和别人比较，只要把自己和去年做比较，然后继续努力。投入时间，做好工作，你就会得到一张证书，上面写着“我可以做自我导向的研究”。并不是所有人都是陶哲轩，我们中的大多数人只是想在这个过程中生存下来，而不是赢得菲尔兹奖。

机器学习行业从业者大多经常困惑于自己是算法工程师还是调参侠。

在深度学习浪潮下，有这种困惑也是十分正常，或许我们也应该思考一下，为什么大家普遍会有这种困惑。

看了这段话，大家可能多多少少都有所感同身受吧，高学历，却换来更大的失落；工作内容重复，没有看的见的快乐。

没入行之前，你眼中的AI是改变人类未来。

入行之后，你眼中的AI变成了一个个黑盒的模型，我要更多更干净的数据，更庞大的模型！

「有多少人工，就有多少智能」，即使在深度学习时代也是如此，各大AI公司首先招聘的就是标注员。科研机构发布新数据集的论文也会公布自己用了多少标注人员，时薪多少美元等。

而且在互联网高度发达的今天，你想要学习的任何东西都可以在网络上找到，AI入行的门槛从未这么低。

入门简单，但成为大师却要付出更多的努力，这期间会经历迷茫，例如在reddit上发帖，但最后有所成就的还是那些耐得住学术寂寞的人。

不仅仅追随深度学习潮流，而是在其中挖掘属于自己的东西，也许是博士学位能带来的最大收获。

参考资料：

https://www.reddit.com/r/MachineLearning/comments/odkdsv/d_growing_beyond_a_deep_learning_phd/

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

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

王博Kings的系列手推笔记（附高清PDF下载）：

博士笔记 | 周志华《机器学习》手推笔记第一章思维导图

博士笔记 | 周志华《机器学习》手推笔记第二章“模型评估与选择”

博士笔记 | 周志华《机器学习》手推笔记第三章“线性模型”

博士笔记 | 周志华《机器学习》手推笔记第四章“决策树”

博士笔记 | 周志华《机器学习》手推笔记第五章“神经网络”

博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机（上）

博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机（下）

博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类（上）

博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类（下）

博士笔记 | 周志华《机器学习》手推笔记第八章集成学习（上）

博士笔记 | 周志华《机器学习》手推笔记第八章集成学习（下）

博士笔记 | 周志华《机器学习》手推笔记第九章聚类

博士笔记 | 周志华《机器学习》手推笔记第十章降维与度量学习

博士笔记 | 周志华《机器学习》手推笔记第十一章稀疏学习

博士笔记 | 周志华《机器学习》手推笔记第十二章计算学习理论

博士笔记 | 周志华《机器学习》手推笔记第十三章半监督学习

博士笔记 | 周志华《机器学习》手推笔记第十四章概率图模型

点分享

点收藏

点点赞

点在看