AIQ | 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。

• 本文地址：AIQ | 优秀的算法工程师都是不用深度学习的
• 本文版权归作者和AIQ共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出

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。