（比如说看了prml前几章感觉什么也没学到）


研一刚入学，一定要“小步慢跑”，学一个算法就一定要学透（公式推导+代码编写），不要今天看一下SVM、明天瞅一眼MLP。写代码能够学到东西，跑代码是学不到任何东西的。从基本的算法开始，比如KNN，花上一周时间按照类似下面的流程进行实验：
（0）公式推理
（1）筛选数据
（2）模型搭建（编写代码）
（3）指标计算
（4）调参分析（不断优化）
（5）重新理解公式推理按照上述步骤学完第一个算法以后，再以相同的过程学习第二个算法。


对不同算法重复相同的实验流程，能让自己对模式识别那本书理解更深刻。我认为从事深度学习最忌讳的就是“急”，python还没学好，就去学pytorch；pytorch还没学好，就去跑开源项目。编程基础和理论基础还没打好，就去看论文跑开源代码，时间都浪费在环境配置和版本兼容调试上面了。

美其名曰项目驱动学习，实际上就是浮土筑高台。研一基础不牢靠，研二很难静下心来弥补缺失的知识。然后就有趣了，研一整年没能学到扎实的技能，导致二年级做实验的时候举步维艰。在这种焦虑的情况下只能继续听从“项目驱动学习”这种策略，害怕组会、害怕导师催你。（我并非反对项目驱动学习，我反对的是没有ML或DL基础的情况下就搞项目）。

相反的，如果研一的基础非常扎实，天天写代码夯实实践基础，天天推导公式夯实理论基础。研二的时候就能水到渠成，自然就能把论文实验做的很好，磨刀不误砍柴工。一步急，步步急，最后就只会跑别人代码调调参数，关掉github以后连一个基本的CNN分类pipeline都写不出来（数据清洗+数据读取+网络设计+损失选择+模型训练+指标计算+调优）。粗略的读一读理论证明，然后找个开源代码跑一下，我认为这种方式真的学不好模式识别那门课。补充：


关于学习经历

一开始，我每天固定两个小时学Python，两个小时看吴大佬的有题目的视频教程，两个小时自己实现课后习题。这期间感觉自己进步很大，但是总觉得哪里出了问题，却又说不出来。两个多月以后，课程完结，开始学习tensorflow，看书敲代码，出现问题就百度。

虽然自己能实现类似resnet这种基础网络，但是自我感觉没有之前那么好了，好像越学越糊涂。再后来，我开始看论文了，找那些有开源实现的论文，看一篇论文，学习一篇代码。在这样稳扎稳打的步伐下，我感觉自己又进入了快速上升期。既然能搞懂别人的论文了，能不能自己来一篇?于是我开始去怎么提出新东西，进而意识到我应该先对自己领域现存方法有所了解，知道它们的优点和不足。


按照这种想法，我开始有意识的泛读自己领域的顶会论文，了解最流行的方法。我意识到，最简单的创新实际上就是把别的领域的东西搬过来用，所以我从nlp找了点思想用到对抗上（此时我并不知道已经有人这么做了，毕竟自己掌握的文献还不够）。不管怎么说，我算是有自己的成果了。这就足够了吗？不是的。我越发感觉到自己的不足，深度学习仅仅在cv领域就有各个子分支，每个分支就算整个研究生生涯都不一定能吃透。更要命的是，我发现我一直都是在写算法，从没考虑过如何部署模型，也就是整天纸上谈兵。。。

所以我最近开始学网络知识，学习什么是客户机服务器模式，学习flask，想把自己的模型部署到web服务器上。总得来说，我没有采纳我当初所看见的建议，那些建议有的列出来一系列书单，有的列出来一系列课程，对我个人来说是不太可行的计划我一般都不去做。我觉得应该从自己想解决的问题入手，旧问题的解决往往伴随新问题的诞生。我最开始只是想知道啥玩意是反向传播，后来却自己搞出一篇论文，是那些困扰我的问题激励着我进一步研究，每次解决问题都会有那种喜悦的心理，这是我进步的源泉。

补充：关于pytorch

曾经写过一些pytorch的日志，包含数据采样、增强、模型搭建等等：

来源：本人的【人工智能与深度学习研究社】
https://zhuanlan.zhihu.com/c_1176057805353766912