本人是从去年7月份开始从软件开发转DL&CV的，从知乎、博客、线上线下课程学了不少机器学习、深度学习、计算机视觉(cs231n)的理论知识，可以说从AlexNet - ResNet的原理说的66的，各种目标检测模型YOLO、SSD、Faster R-CNN张嘴就来，深度学习优化方法BN、Dropout、Adam朗朗上口。

可惜百面成铁，大大小小的公司都接触过了，可以说市面上的CV岗位还是非常多的，只不过面试官反馈都是想招经验丰富的，得上来就能干活，理论知识都是基础，工程能力是非常重要的，没有公司有义务来培养你，尤其是当前大公司裁员，市场上涌现出大量的求职者，面试官都是优中选优。

这里对即将踏入DL&CV行业的朋友有几点建议：

1. 理解并能够熟练的表达理论概念，能把知识点用专业的语言组织表达出来个人觉得是加分的

2. 尽可能多的跑跑模型，反复地看论文、读代码，学习他人对文章的理解。最好是有自己的数据集进行训练，或者将模型跑在非本类数据集上(大雾)。比如Faster R-CNN跑跑人脸检测，MTCNN跑跑目标检测。

3. 多多跟进新技术，新模型，新框架，经典模型的改进方向。 Papers With Code

4. 编程能力就不多说了，个人经验看来纯算法的多是Python，只要涉及硬件部署什么的还得C++。

-------------分割线--------------

5. 可能现在做深度学习视觉算法的确实有些饱和了，但是关于模型量化、压缩、加速、部署(端测嵌入式，服务器高并发)这方面落地的工作个人非常非常看好，并且这条路上人少坑多，深度学习并非只有炼丹。

6. 最近接触到视频分类/聚类、行为识别相关的知识。这一块的理论目前看来还没有图像处理成熟，是一个很不错的研究方向。

7. 对自己要求高的同志可以熟悉一下深度学习框架(TensorFlow、Caffe、Pytorch....)的源码，有朋友建议是源码看caffe，框架的使用的话Pytorch貌似正在迎风追赶TF(大雾 `import torch as tf`)