优秀的算法工程师都是不用深度学习的
前几天面试了一个C9应届硕士生,模式识别专业,连续问好几个专业问题都没能答上来。
尴尬之余,我问他:「你没有什么理想吗?你现在最渴望的事情是什么?」
他转悠着大眼睛,不假思索道:「将kaiming大大的Resnet扩展到10万层,把kitti,COCO数据库检测识别任务提升20个点以上」
真没想到在面试中居然还有这种操作。
我问为什么这能成为现阶段最渴望的事情,他反问「你难道不为LeCun、Bengio和Hinton的执着精神所感动么?你难道不羡慕ILSVRC2012 AlexNet大放异彩么?你难道不被googlenet,Resnet的深邃思想所折服么?」
好有道理我竟无法反驳。
这么了解市场的工程师,一定是个不可多得的人才!
于是,我决定:不录取他。
这几年,深度学习在CV领域大行其道,不论是detection,segmentation,classification,还是stereo matching,pose estimation,深度学习把之前传统各种state of the art方法爆出翔。现今,算法工程师不知道经典网络,流行框架都不好意思和别人打招呼。
此现象仅仅局限于刚入坑的小白。但是对于浸淫5年以上的无论bat算法经理还是资深人肉特征设计工程师,这种事情对于他们不过是一种笑谈。久而久之,我发现一个残酷的共同点——
他们只用传统方法。
工资不高吗?最低的月薪都有20K+,还有公司期权和股票。
技术不行吗?Paper 发到手软,代码编译一次就好。
我问过其中一个:我看你整天针对不同任务,手动设计特征,分类器不累么,不想试试cnn方法么?
他说:废话,肯定想啊。
我问:那为什么不试一下LeNet,AlexNet呢,caffe框架下不是都有例子么?
他叹气:不,太忙。
他意味深长道:优秀的算法工程师都是不用深度学习方法的。
跟我聊天的这个人,本身就是个大神,BS CMU,MS Stanford,doctor在MIT,三年完成五年课程,读博期间发了100多篇sci,h index 40好几,回国任创业公司首席科学家,闲着没事发 Paper 玩,引用也很可观。
追随兴趣投入cv研究10几年,早在01年Paul Viola提出Haar与级联adaboost时,小修了特征与分类器,识别率提升了0.1%,达到当年人脸检测领域的state of the art。后来受不了国外大学对华裔学术上的歧视,毅然回国,目前早已实现财务自由。
这样的算法佬,我想出来,从来不买好的显卡跑深度学习,买来显卡应该也是吃鸡用的吧。
我还是认识另一个算法工程师。
最喜欢传统特征与分类器,像gabor滤波器,LBP特征,adaboost算法,SVM分类,random forest等自然是如数家珍,每每惊叹于harr特征在人脸检测,hog在人体检测,LBP在人脸识别取得的成功而热泪盈眶。但也由于过于痴迷,每天神神道道: 秀,天秀,陈独秀,蒂花之秀。对于深度学习方法不屑一顾,可以搭出比cnn更work传统特征+分类器方法。
这个人才是是圈子里的一股清流。
他最大的爱好是在视频监控rgb通过高斯背景建模生成的前景图像上,用米尺丈量显示器来确定物体的宽高比,剔除树叶抖动,水波荡漾,磕头机等带来的误报。此等神级操作在刚入坑的小白看来,是那样的格格不入。有时也有人劝他,目前cnn通过剪枝,压缩模型等技术,在1080ti上已经达到实时,你也可以试一下,减少一下工作量。
他却不会受到任何影响。
我问他:你到底怎么保持一颗平常心的,别人都用深度学习取得较好的泛化效果,你却针对一个个场景手工设计特征和分类器,不累么?
他笑,说:累又怎么了,不服让深度学习跑在低端arm平台上试试?
我立刻懂了。
同样是这个人,利用传统方法,在特定场景实现比深度学习更好的效果,而且通过5轮算法优化,硬是把算法移植到低端平台,每路为公司剩下2K的成本,这是一种工匠精神。
上周跟一个 CEO 朋友出去吃饭,他说他招来的一些菜鸡算法工程师,总想买多个1080ti显卡,用深度学习方法提升研发效率。
他跟我说,「可你不一样,你会一直提醒我,要我远离舒适区,要我不能安于现状,要我有危机意识,你好像特别看重用传统方法解决问题。」
人都是需要独立的。
仍是要永远年轻,永远热泪盈眶。
要记住啊,知世故而不世故,处江湖而远江湖,才是最善良的成熟。
原文发布时间为:2018-06-26
本文来自云栖社区合作伙伴“大数据挖掘DT机器学习”,了解相关信息可以关注“大数据挖掘DT机器学习”。
低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
金融级别的人脸识别支付?
近日IFAA联盟发布“本地人脸识别安全解决方案”,用来实现金融级别现金支付的技术,“像iPhone X那样去人脸支付吧!安卓终于再一次追平了苹果”,并总结出“攻克了几乎是行业性的四大难题”:1,摄像头信息传输安全解决方案。2,整合安全计算能力。3,3D活检算法评估体系。4,安卓生态协作的经验积累。这样重大的事情,安智客急不可耐地想进行学习了解,这里有三个关键词:安全、人脸识别、支付,安全是整体的安全方案,达到金融级别的安全,人脸识别是指包括算法在内的软硬件,支付就是基于IFAA技术方案的人脸识别进行支付,为了了解什么是金融级别的支付,我们首先了解苹果是怎么做到的。 iPhone X是如何保证的人脸识别安全的? 最新版《iOS 11安全白皮书》中描述了人脸识别的安全: 原深感摄像头会在您通过提起或点击屏幕来唤醒iPhone X时,或支持的应用程序请求进行人脸ID验证时自动查找您的脸部。当检测到脸部时,通过检测您的眼睛是否打开并您指向的设备,脸部识别确认关注并意图解锁。一旦它确认存在一张细致的脸部,原深感摄像头就会预测并读取超过30,000个红外点,以形成脸部深度图以及2D红外图像。这些数...
- 下一篇
谷歌中国2018校招年薪56万,Jeff Dean李飞飞李佳等清华研讨现场
【新智元导读】清华-谷歌AI学术研讨会,Jeff Dean、李飞飞、李佳等22位大牛齐聚,探讨机器学习、强化学习、NLP、计算机视觉最新进展。最近一张展示谷歌中国2018校招年薪56万的图片广为流传。谷歌的学术交流对中国AI来说无疑是好事,但或许这也将令国内本就激烈的AI人才争夺战进一步加剧。 在清华大学人工智能研究院的成立仪式上,清华-谷歌AI学术研讨会也揭开帷幕。这场研讨会是清华大学人工智能研究院打造人工智能高端交流平台的首次尝试,阵容豪华。在为期两天的时间表上,密集出现了多位数得过名字的大牛,以及众多有意思的主题: Jeff Dean:深度学习解决世界难题 李飞飞:朝向AI辅助健康医疗的环境智能 李佳:企业AI:现实世界研究的新前线 Quoc Le:AutoML:使用机器学习自动化机器学习 Bill Freeman:用看来听:用视觉促进
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- Windows10,CentOS7,CentOS8安装MongoDB4.0.16
- CentOS8编译安装MySQL8.0.19
- MySQL8.0.19开启GTID主从同步CentOS8
- CentOS8安装Docker,最新的服务器搭配容器使用
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7
- SpringBoot2整合Redis,开启缓存,提高访问速度
- CentOS7,8上快速安装Gitea,搭建Git服务器
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- CentOS关闭SELinux安全模块
- SpringBoot2初体验,简单认识spring boot2并且搭建基础工程