深度学习和计算机视觉的一些思考和总结

        做视觉和算法也有一年多了，是时候做一些必要的思考和总结。

        最初接触深度学习是这样的，老大打算做一个深度学习框架在云环境下自动化部署的一个项目。之前对云这块还比较熟悉，误打误撞开始接触前段比较火的深度学习领域。这个任务还是比较简单的，只要把一个深度学习训练任务的各个步骤串联起来放到kubernetes里面run起来就ok了。对深度学习训练的一些基本知识有了初步的印象，随机梯度下降，epoch，同步训练，参数服务器，等等。理解这些不需要太多专业领域知识。不过自己并不甘心与此，想拿些基础知识做下补充。结果一下子把自己带到坑里面去了。怎么进坑的呢，就是把good fellow写的《deep learning book》看起来了。

       现在要我总结起来，《deep learning book》这本书，对于搞工程的人来说，没必要看，这本书主要受众还是有做学术倾向的的人，并不适合工业界的人做入门。我上来先把前几章的数学基础补充了下。之前看过李航老师的《统计学习方法》，因为里面没怎么写数学基础知识，对于SVM、PCA等公式推导看的不太明白。所以拿到《deep learning book》感觉如果至宝。现在的结论是，前几章里面讲线性代数的部分还是有必要熟悉下，关于矩阵的知识分非常基础，几乎涉及到了全领域所有部分。但是对于统计相关的只是，倒是没必要一开始就深入那么多。因为本人是数学系出身，对理论和抽象的东西比较敏感。所以开始的时候花了很大的经历去理解贝叶斯统计，现在想想意识必要性不太高，而是这部分需要一段时间的积累，不是短时间内能理解的很深。另外，如果是做视觉，对贝叶斯统计这块可以不看的，如果是要搞NLP或者传统机器学习中概率图模型（时间序列分析），还是要把一些基础概