2019年国家对人工智能加大了支持力度，媒体对人工智能的资讯报道也越来越多，刚刚结束的人工智能大会也展示了国内现在的人工智能的发展状况，“双马”对话中也处处透露出对人工智能的美好展望。

人工智能一个很大的应用方向是CV（计算机视觉）。CV在如制造业、检验、文档分析、医疗诊断和军事等领域中各种智能系统中不可分割。具体的像无人驾驶、人脸识别、VR/AR等，未来在医疗领域等还将有更大的发展。

那么成为一名计算机视觉工程师应该具备哪些能力呢？

首先数学要学好。大学里开过的高数、线性代数、概率统计等课都十分的重要，理解数学知识体系，打下牢固的数学基础，对于学习计算机视觉来说肯定是非常加分的。

其次还需要一定的编程能力，在计算机视觉中，Python和C++是比较合适的选择。像Python学习基础语法，学到他的面向对象就基本上能够满足计算机视觉的要求了。当然Python的语句、函数、文件操作还是要熟练，掌握面向对象数据编程技术，为后期的AI学习打下扎实的编程能力。

有了很好的数学和编程基础后就要进行深度学习的部分了。

深度学习中有MLP模型，其中包含的内容有机器学习分类，神经网络简介，感知机模型、多层神经网络，TensorFlow入门等，最终的学习目标是能够理解多层感知机的运行过程并且能够搭建多层感知机模型。

然后就是CNN卷积神经网络，它是深度学习的代表算法之一。在这一部分的学习中需要掌握如何使用CNN网络处理空间问题，如图片、视频等数据，理解卷积、池化，以及反卷积、反池化的过程和原理，并且能够搭建相关的卷积网络模型。

网络设计也在学习的范围内，掌握网络设计技巧，学会如何设计出性能更好更好，速度更快的卷积神经网络。还有模型评估，掌握测试网络性能的标准。

神经网络还有RNN循环神经网络，GAN生成式对抗神经网络。掌握到如何使用RNN网络处理时间序列问题，比如智能应答，智能翻译等，理解循环神经网络RNN和LSTM、GRU的运行过程和原理一，能够搭建相关的循环神经网络模型训练和优化。

让神经网络具备创造能力，理解生成式对抗神经网络和其变种网络的原理，并能够搭建变分自编码的网络模型训练和优化，可实现图像生成，语音生成等。

发布于 2019-09-05