打开京东ME，显示在职天数三十九天。

三十九天，并没有实质性的工作产出。从DM/ML转向DL/CV，曾经一度联系李凯东老师，想去他部门打比赛。聊天中李老师说了一句令人印象深刻的话：“真的不喜欢再放弃，至少不会遗憾。”。也许在公司这段时间，做了很多自己从没有做过，但是觉得难度有点大的事情，在做事情之前，我就会问自己“要做到最好还是做到问心无愧？”。事实上，在认为超出自己能力的事情面前，我选择问心无愧，不留遗憾，确实这样自己从心理上会感到很舒服。但是很快会达到矛盾的另一面，因为对自己能力上限的判断似乎每个人都不是那么在行，所以，最终常常是在纠结中完成要做的事情，但是结果通常也很不错。就在写这段文字的时候，我才意识到，或许做到最好以至于问心无愧才是一种正确的态度。

和带我的老大聊了聊，基本确定了发论文和写Faster-RCNN的CUDA扩展两件事情。“真的不喜欢再放弃，至少不会遗憾。”，我选择相信李老师这句话，选择尽力去熟悉并逐渐喜欢一个事物，选择问心无愧，无愧于这次实习经历。没有产出，志标都为自己感到着急，想办法。在这个时候，我的态度选择再一次帮助了我。

在实习期间，从头到尾读了《深度学习》这本书，建立了对DL的系统认识。现在对于读书和读文章之间的区别已经有了相对清晰的感受，刚入一个领域，读书建立主干联系的认识，读文章建立对细节的感知。这个认识在爱可可-爱生活老师的置顶微博中有体现。

刷了Ng老师的深度学习课程的CV和NLP两章。在CV部分用一种非常清晰的方式讲解了视觉检测的一些问题，例如YOLO；在NLP部分也突出了重点和主干，这部分的内容听得比较浅，目的是建立一个简单的认识就可以。

梳理了PyTorch的源码结构，读了大部分PyTorch的文档。梳理了基于PyTorch实现的SqueezeNet用于目标识别，借助于ONNX实现在移动端部署，涉及PyTorch的模型和Caffe2之间相互转换。读了基于PyTorch实现的SSD用于PASCAL VOC2007的目标检测（截止写这篇博客，因为其他的一些工作，该工作暂时中止）。

从Light-Head RCNN开始，按照老大提供的一个目标检测的List，读Blog，读Paper，读Slides（截止春节回家，剩下一些经典的文章没有仔细琢磨），回家前做的最后一件事情是组内分享R-FCN-3000这篇CVPR 2018正在审的文章的分享。实际上，自己对于目标检测这个细分领域已经建立了一个比较粗的轮廓，但是具体的细节需要逐步深入理解，稍后模型之间的联系和改进会以另外一篇博客的方式呈现。

除了上述之外，在公司内做了一些“低端”的事情。比如采集真人数据，写爬虫，偶尔打标签。为突如其来的一个项目解决Out Of Memory问题。做一些文本数据的预处理和数据清洗工作等。和公司的实习生聊，这样的事情似乎每个人都做过。后来和老大聊，老大说他现在自己也在打标签。偶而也会看到其他的工程师在打标签。虽然有标注平台这样专业的打标签团队，但是似乎很多时候，需要算法团队的工程师自己去爬数据，去打标签，去做数据清洗工作，去解决很具体的工程问题。

在家读了《强化学习在阿里的技术演进与业务创新》这本书，其中还看到了俞扬老师团队和阿里合作的“虚拟淘宝”项目的部分资料，终于算是Tracking了一把前沿，头脑风暴了一番。

回想这段时间的经历，收获了一些认识。至于认识有的可以说出来，有的是不可以说出来的。这部分不可以说出来的，来源于学校和公司之间的Gap，这种Gap是多种多样的。关于工作态度的认识已经在上文中有所阐述，下文是比较具体的内容。

（我妈叫我去吃火锅了，晚饭回来再写，囧，跑）

一.将算法(理论)和问题(实际)结合

具体包括两个方面：选择合适的算法解决特定的问题；对特定的问题进行算法建模；当然很多时候，二者没有严格的界限。比如对于目标检测，通常的一个认识是Detection=Localization+Classification，如何Localize，可以基于Bounding Box做Regr，故检测这个任务可以拆分为回归和分类任务的结合。接下来去思考的问题是，如何做Regr？Input和Output是什么？回到对“表示+评价+优化”的分析。对分类问题是同样的思考路线。在阿里那本强化学习的书中，首先看到的是在对业务深刻理解的基础上，找到可以建模的应用场景。

二.重视开发经验

不要由于自己的算法工程师岗位自视甚高，开发工程师和算法工程师都是工程师，只不过是大家从事的工作性质和工作内容不一样。回顾近期做的工作，做的都是算法的工作吗？如何界定算法和非算法之间的界限？作为算法工程师，开发的经验同样非常重要。必要的时候去做服务器运维管理，写OOP，解决OOM，写批处理，分布式，版本管理等工作。自己在公司表达出对Caffe，C++的否定态度之后，老大说了一句话：“找到会写Python的一大堆，C++值钱啊！”，虽然你是个Pythoner，必要的时候还需要写点C++，团队不会因为一两行代码做工作交接，专门找一个C++的工程师帮你解决问题。

三.细分领域和业务产品思维

团队的一个老大做人脸识别，从阿里转战京东，技术级别蹭蹭上涨。人脸识别是一个具体的技术领域。强化学习可以应用在阿里业务体系的诸多方面。目标检测和分割的诸多SOTA是在标准数据集上做出来的，称刷分。相对于技术创新，业务创新同样重要。自己有一个感觉，做细分领域的创新更有可能做出成果。任何一个坑都很深，不能单纯的认为什么方向都可以搞，什么语言都可以很快应用的得心应手。找到属于自己的那个坑，跳进去。对细节和业务把握的越好，越有可能做出很多创新。在公司有一个很大的感受是：公司永远有解决不完的问题。一个SOTA可能在公司的业务线上就不好使了，这个时候就需要针对SOTA和业务做改进优化，创新已经开始了。在读阿里的那本强化学习的书之后，这种感觉可能会更加强烈。回到真实场景中，深挖细节，直面问题，一定可以找到很有价值的研究课题（论实验室和公司建立合作的必要性）。

公司牛人太多，有和你一块吃盖饭，但是人家CV三大顶会（CVPR,ECCV,ICCV）快要集齐；有和你一块吃水饺，但是人家研一写综述发《自动化学报》，目前3篇B类在手；有和你一块吹B，但是当你文章还没读完的时候，人家已经复现；…

关键是：吹盖饭的人家春节无休；吃水饺的人家假期List早早做好；吹B的每天上班比你早，下班比你晚。

我能怎么办？只能好好学习，天天向上。春节快乐！