本文总结自己学习计算机视觉的经历。
我就是非计算机专业的，在18-1年时间内自学拿到商汤实习offer，毕业加入思谋成为一名算法工程师。我想我应该很适合回答这个问题。
之前写过一个实习面经，感兴趣的可以看一下计算机视觉暑期实习面经_笔经面经_牛客网 ()
对于一个完全不懂的计算机视觉领域，并且没有师兄师姐指导的情况下，必然走过很多歪路，这里我想先记录一下做过的一些事情，最后给出资料推荐和心得。
01
心路历程
第一步，买书和逛知乎。刚接触计算机视觉的时候，啥都不懂，然后就喜欢在知乎上看别人写文章(前两年分享的质量要好很多，现在有点下降了)，然后就是必踩的坑，买书
上面是部分书，买了很多书(emmmm, 可能是喜欢收藏吧)，但是我看过的基本上只有统计学习方法，hhhhh
买书是错误示范，不推荐买大部头书籍，合理做法看资料推荐部分，逛知乎还是不错的。
第二步，看论文和写笔记。然后就是看论文，以目标检测为例，首先推荐一个综述Object Detection in 20 Years: A Survey，按照时间顺序，先找到关键文章，其他文章都是这些文章的修修补补，roadmap传统目标检测DPM -> Two-stage：RCNN、Fast R-CNN、Faster R-CNN、Mask R-CNN -> One-Stage：YOLOv1&v2&v3、SSD、RetinaNet -> Anchor-Free：CornerNet、FCOS、CenterNet -> Transformer：DETR，看完文章还不够，好文章适当写一下笔记，锻炼自己写文字和归纳总结的能力，最好找到对应的code进行理解实践。
第三步，打比赛。有了大量的知识积累，就可以去实践了，实验室的项目看运气，可能碰不到好项目，不能坐以待毙，打比赛是一个比较好的选择，从实践中才能更好的体会算法的适用范围和真实数据如何处理的。我之前在天池也就拿了个第8名还有个36名吧，学到什么更关键，至少面试的时候有东西说。
第四步，刷题和找实习。有了上述的知识储备和实践经验，就要刷一下简历了。算法coding必不可少，面试必考，如果没有基础，推荐先看剑指offer，上面对常见题型做了总结。面试的时候对自己简历上的东西一定要清楚，简历上都不会，你完了，多面试多总结，查漏补缺。
有了上述的积累，拿算法offer是水到渠成的事情。
02
资料推荐
不推荐买大部头书籍，一般大部头买来都扔书架上吃灰了(都看完的算你nb)，最实用的还是一些工具的document。实际场景，一般是遇到问题，查阅，遇到问题，查阅的循环过程，光啃书不实践，记不住啊，还体会不到乐趣，消磨积极性。
以下罗列一下常用document和网站，少而精才是有效推荐
竞赛
kaggle、阿里天池
coding
推荐剑指offer，可以更快的掌握coding技巧
另外就是coding的刷题网站，推荐leetcode，题目多且全，推荐先刷力扣 (leetcode-)
document
编程工具：Python、PyTorch、OpenCV
代码库
图像分类：pytorch-image-models 基本上涵盖所有主流网络
目标检测:MMDetection、Detectron2这两个都是优秀的代码库，值得学习借鉴
查阅各个领域的最新进展，可以查阅这个网站，会记录一些sota的paper和code链接：paper-with-code
学习视频只推荐三个
机器学习：李宏毅机器学习(打包到Smarter了) 上课太有趣了
计算机视觉：李飞飞cs231n (打包到Smarter了)
经典paper解析：AI百篇经典论文
如果非要买书，机器学习可以买一些书籍，比如统计学习方法、西瓜书
《机器学习》俗称西瓜书，图例多容易理解，缺点较厚实，推理过程不详细。
《统计学习方法》比起西瓜书，更干，推理详尽，篇幅少，但是图例少不容易理解。
从实用主义出发，以上入门完全够用了，对深度学习和计算机视觉有了一些了解，后面就可以自己愉快的玩耍了。
03
心得
1.geek是必须的，想要跨专业必须付出更多。
2.当然也要劳逸结合，多运动，健康更重要。
3.不要假装努力学习，到底懂不懂，有没有学会，自己心里比谁都清楚。
4.焦虑是因为实力不配，对未知的恐惧，不断输入才能更自信。
5.心态要好，你能决定的只有很小一部分，但依然要相信人定胜天。
6.精准的内推资源很重要，可以减少很多搜集信息的时间(比如找我，我有各种计算机视觉岗位的内推信息)。
往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑AI基础下载机器学习的数学基础专辑温州大学《机器学习课程》视频本站qq群851320808，加入微信群请扫码：
