最近很多剛入學的學弟學妹給我們留言，聽說算法崗現在競爭很激烈，還能轉機器學習嗎？實習對于找工作重要嗎？

看完他們的疑問，三年前的經歷在我眼前歷歷在目。

研一修完畢業學分后，我去創業公司實習了一年。期間，我從爬蟲入手，一路摸爬滾打，實現了千萬級微博評論自動抓取，在即將成為“爬蟲專家”前，受師兄指點轉向DL算法。

下面我以「就業」為導向，分享一條親身經歷的學習路線。參考這個方法，在深度學習方向拿到offer進大廠，不是啥難事兒。

一、研一：基礎理論學習

研一的主要工作是學理論，打基礎。

然鵝學校的課程基本屬于科普講座，很多內容僅靠上課是遠遠不夠的。

這里我把第一年的學習任務細分了4個方向。

1）深度學習理論

基礎不牢，地動山搖。沒有扎實的基本功，無論是做科研還是做項目，都很容易捉襟見肘。

那怎樣學習效率最高呢？

如果你覺得看大頭書很枯燥（比如《深度學習》花書），我推薦你直接看吳恩達和李宏毅老師的深度學習視頻課。

內容既權威又有趣，看完會讓你覺得學習簡直是一天中最快樂的事！

這些網課都有配套的編程練習，學一課做一課，養成好習慣，及時查漏不缺。

看完視頻，如果想檢測一下自己的學習效果，推薦你參考我在知乎的一篇回答，看看第一部分“理論基礎”問題，自己能輕松解答多少。

如果你是面試官，你怎么去判斷一個面試者的深度學習水平？[1]

例如了解前向傳播反向傳播，以及鏈式求導；給一個兩層的MLP和簡單的二維向量，能推導出 forward propagation，再用 chain rule 推導出 back propagation。

2）確定研究方向

經過前面的理論學習，你應該發現深度學習領域有很多細分方向，例如語音、自然語言處理、視覺、強化學習、純深度學習理論。

所以第二步我們要明確自己的研究方向，并在之后兩年的學習中有所突破。

如果你喜歡語音交互，熟悉C++，可以選擇語音識別、語音合成等研究課題；

如果你喜歡研究文本和對話，熟悉Python和爬蟲，可以選擇自然語言處理方向；

如果你喜歡圖片與視頻，熟悉Python，對算法落地也很感興趣，可以選擇計算機視覺方向；

至于強化學習、深度學習理論研究等方向，如果不是自身基礎非常扎實或有優秀的師兄師姐指導，建議謹慎入坑。

這一步大家不要著急，既要了解不同方向，更要認真了解自己，包括能力、性格、特質。如果對自己研究領域沒有熱愛和興趣，到了中后期會非常痛苦，即便再換方向，沉沒成本也會很高。

好比讓你挑一道菜吃十年，什么才會是你的首選呢？

3）閱讀經典論文

選好方向之后，下一步的重點是閱讀該領域的經典論文，包括傳統方法，以及近期熱點。

如果你和我一樣主攻自然語言處理方向，那應該對最早期的神經網絡語言模型(2003)、靜態詞向量word2vec(2013)、動態詞向量ELMO(2018)、預訓練語言模型BERT、RoBerta、GPT(2018-2020)，以及近期流行的prompt訓練(2021)都有清晰的認識，明白哪些場景適用哪種方法。

然后再往下細分，選擇子領域內的論文閱讀。

如果研究對話系統，對于常規的分類、匹配算法應該非常熟悉，同時了解基于神經網絡的DST算法，不同召回策略等等。

還不知道怎么搜論文的同學，這里教你兩種萬能搜索方法。

1. 正向檢索

在谷歌學術、arxiv、ACL Anthology輸入英文關鍵詞，檢索相應主題的paper，注意查看發表年份和引用數量。

或者直接查找近年的survey文章，在綜述中查看主要的研究分支和related work。

2.反向檢索

在谷歌學術的搜索結果頁面，點擊某一篇論文的“被引用次數”，跳轉進入引用了該論文的所有paper。

底層邏輯是引用了A論文的其他論文，基本都和A論文所屬的研究領域一致。

這兩種檢索方法，可以大幅提高查找文獻的效率。

4）強化一門主流編程語言

通過以上3步，我們已經具有了相對系統的理論基礎。然而“巧婦難為無米之炊”，有idea卻無法通過編程實現，還是白搭。

所以接下來，我們要給軍火庫增添幾樣重型武器，包括一門主流編程語言(深度學習一般用Python)，深度學習框架(推薦Pytorch)，服務器調用(Linux指令)，IDE使用(Pycharm或Vscode+jupyter?lab)等。

有了這些工具，開發深度學習項目會方便很多。

而且從目前大家都在卷的情況看，coding已是基本功，是技術崗通過面試的底線。

一邊學習，一邊每天在leetcode上刷1～2道算法題，校招找工作會事半功倍。

進入研二，大家可選的路更多了。有的同學繼續在實驗室從事科研，以做實驗發paper為目標，有的同學已經走出校園開始提前實習。

這兩種選擇沒有好壞，關鍵要適合自己。最怕每天窩在宿舍吃外賣打游戲，畢業只多了張文憑。

二、科研與學術

有些同學是主動從事科研的，例如我身邊就有本科發表頂會，碩士畢業已手握6-7篇CCF-A一作的巨佬。

也有導師不放實習，“被迫”滯留實驗室的同學。研二時的我就屬于這一類，雖然拿到了大廠實習offer，又被勸退重回學校搞科研。

總的來說，做科研四分靠實力，三分靠努力，還有三分天注定。

實力首先指理論扎實，具有敏銳的學術嗅覺，懂得挖掘idea；英語閱讀、寫作過關，用詞地道，知道怎樣寫paper容易中稿；同時編程強悍，能快速迭代實驗，驗證結果。

有同學可能某方面薄弱些，可以通過大三大四以及研一研二的努力來彌補。

即便手握七成概率，paper能否中稿還和評審人的口味等“隨機因素”相關，有一定運氣成分。

所以做科研挺有風險的，如果忙活了2-3年沒中論文，碩士生涯幾乎等于nothing。

之前聽一位985師兄說，他們實驗室有50多個深度學習方向的博士，每當夜深人靜之際，經常能聽到博士宿舍樓傳來哭聲(科研壓力太大，沒有達標數量的paper畢不了業)。

甚至還有博士生在實驗室做實驗，做著做著就哭了。

三、項目與實習

相比之下，在互聯網公司找到一份實習要容易很多。

雖然內卷天天有，但只要研一沒摸魚，研二進一家第一第二梯隊的大廠一般問題不大。再不濟，也能去偏頭部的創業公司。

在公司實習，主要是積累項目經驗，把之前學習的理論落到實處。同時提前了解公司的管理流程、開發部署環境等等。

實習經歷將會是簡歷的一大亮點，越來越多大廠開始更加重視實習。一段充沛的實習經歷（3個月以上）絲毫不遜色于發表一篇頂會論文。

這是我導師部分碩士的畢業去向，有很多學術大佬，他們也會提前去公司實習。有的順利轉正，有的跳槽拿了更好的offer。

如上，走大廠實習轉正是拿到校招offer的很好選擇。部分大廠（如阿里）很多hc很早就預定給實習生轉正了，走常規秋招難度要大很多。

如果想實習導師卻不放人，建議提早和導師溝通協調。如果只能留在實驗室，趕緊看看有沒有靠譜的項目，能提供指導的師兄師姐。

如果導師放養，又不讓實習，還不給機器，那兄弟你只能自求多福了！

四、總結

研究生2-3年的時間非常短，如果熱愛學術，想要對整個研究領域產生個人影響，建議先出門右拐讀個博。

另外，深度學習也沒有想象中的那么高大上。大部分業務導向的算法崗，很多時候在和數據分析打交道、跟各個部門對齊需求，真正讓你訓模型跑實驗的比例其實很低。

在工業界，模型是否新穎不是最重要的，通過A/B測試，驗證算法能給公司真正帶來經濟效益才是關鍵。

為什么還有那么多同學反饋算法面試好難呢？

因為僧多粥少，除了計算機，還有各個專業的同學一起往里卷，門檻自然水漲船高。因而有了“面試造火箭”的說法，公司也正好通過面試刷掉一批想渾水摸魚的人。

從這個角度看，提早選擇開發崗也是一種不錯的折中。開發崗需求大，和算法的薪資差距也越來越小。

不管選擇什么，認真了解自己，適合自己的才是最好的。

千淘萬漉雖辛苦，吹盡狂沙始到金。

無論什么崗位，成長、薪水、福利都是和付出成正比的。只有自己努力，才能在研究生階段學有所成，收獲滿意的offer！

- END -

覺得還不錯就給我一個小小的鼓勵吧！