算法工程师要求–深度学习
写在开始
第一次在csdn写东西，希望能逐渐积累，在技术层面有所沉淀，尤其是前沿技术。
技术要求
根据某一岗位的职位要求进行针对性学习
-
基本算法
：CNN，FCN，LSTM，GANS； -
学习框架
：TensorFlow，Mxnet等； -
编程语言
：C/C++，python； -
其他
：有CV，Multi-Media，NLP等相关领域研究经验；
知识拓展
-
算法概要
CNN（卷积神经网络）
参考：
https://blog.csdn.net/love__live1/article/details/79481052
卷积神经网络CNN的结构一般包含这几个层
：-
输入层
：用于数据的输入；
卷积神经网络中输入层的结构可以是多维的，例如MNIST数据集中是28×28像素的灰度图片，因此输入为28×28的的二维矩阵。
常见的
彩色
图像（RGB）则是N×N×3的三维矩阵。 -
卷积层
：使用卷积核进行特征提取和特征映射；
卷积运算在图像、通信应用较多，可理解为对数据的图像或信号进行过滤的操作，得到与
滤波器
模式相似程度的结果（某特征）。
参考知识：
https://www.cnblogs.com/shine-lee/p/9932226.html
-
激励层
：由于卷积也是一种线性运算，因此需要增加非线性映射；
激活数据，逐个元素操作，进行非线性转换。常见的激活函数有：-
ReLU / Rectified-Linear and Leaky-ReLU
ReLU函数用得最多，因为其收敛快。
标准的ReLU函数为max(x,0)，当x>0时，输出x; 当x<=0时，输出0 -
Sigmoid
-
TanH / Hyperbolic Tangent
双曲正切函数 -
Absolute Value
求绝对值 -
Power
幂运算
-
ReLU / Rectified-Linear and Leaky-ReLU
-
池化层
：进行下采样，对特征图稀疏处理，减少数据运算量；
池化层的输入通常来自上一个卷积层，主要有2个作用：
1. 保留主要特征，同时减少下一层的参数和计算量，防止过拟合；
2. 保持某种不变性，包括平移(translation)、旋转(rotation)、尺度(scale)等，常用的有最大池化（max-pooling）、平均池化（mean-pooling）等。
如：对4×4的特征矩阵进行
不重叠
的最大池化（2×2），得到2×2的输出。
-
全连接层
：通常在CNN的尾部进行重新拟合，减少特征信息的损失。
FCN（全卷积网络）
FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。
LSTM
LSTM，即Long Short Term Memory Networks
长短时间记忆网络
,是RNN的一个变种，专门用于解决Simple-RNN上述的俩问题。
GANS
GAN是“生成对抗网络”（Generative Adversarial Networks）的简称，由2014年还在蒙特利尔读博士的Ian Goodfellow引入深度学习领域。
-
研究领域
计算机视觉（CV）
多媒体（Multi-Media）
NLP（自然语言处理）