圖像處理+深度學習方向，需要學習什麼知識？
本人跨考剛上該方向研究生，希望大佬給點建議，或者可以說自己學的話，需要學習什麼課程或者看什麼書，是個怎樣的學習路線呢？
圖像處理-&>深度學習我可以答一波，免費的付費的都有很系統的資源。
推薦關注我們公眾號有三AI，一年原創將近百萬字的技術文章，大部分是計算機視覺領域，可以參考我們的年終總結：
【年終總結】2019年有三AI做了什麼，2020年我們要做什麼？?mp.weixin.qq.com
另外從兩個方向來回答這個問題，第一個是怎麼系統性進階，第二個是如何系統性學習。
第一個問題，如何系統性進階，我斗膽將學習深度學習的同志分為5大境界，分別是白身，初識，不惑，有識，不可知，下面一個一個道來，以計算機視覺方向為例。
http://weixin.qq.com/r/xEw1LebEMbtOraJO9xnW (二維碼自動識別)
1 白身
所謂白身境界，就是基本上什麼都不會，還沒有進入角色。在這個境界需要修行的內容包括：
(1) 熟練掌握linux及其環境下的各類工具的使用(2) 熟練掌握python及機器學習相關庫的使用
(3) 掌握c++等高性能語言的基本使用
(4) 知道如何獲取和整理，理解數據
(5) 掌握相關的數學基礎
(6) 了解計算機視覺的各大研究方向
(7) 了解計算機視覺的各大應用場景
(8) 了解行業的優秀研究人員，知道如何獲取最新的資訊，能夠熟練閱讀簡單的技術資料
如果掌握了這些，那麼就從白痴，不，是白身境界晉級了。怎麼判斷這個境界呢？可以參考以下的文章，看看掌握的如何。
AI白身境界系列完整鏈接：
第一期：【AI白身境】深度學習從棄用windows開始
第二期：【AI白身境】Linux幹活三板斧，shell、vim和git
第三期：【AI白身境】學AI必備的python基礎
第四期：【AI白身境】深度學習必備圖像基礎
第五期：【AI白身境】搞計算機視覺必備的OpenCV入門基礎
第六期：【AI白身境】只會用Python？g++，CMake和Makefile了解一下
第七期：【AI白身境】學深度學習你不得不知的爬蟲基礎
第八期： 【AI白身境】深度學習中的數據可視化
第九期：【AI白身境】入行AI需要什麼數學基礎：左手矩陣論，右手微積分
第十期：【AI白身境】一文覽盡計算機視覺研究方向
第十一期：【AI白身境】AI+，都加在哪些應用領域了
第十二期：【AI白身境】究竟誰是paper之王，全球前10的計算機科學家
2 初識
所謂初識，就是對相關技術有基本了解，掌握了基本的使用方法。在這個階段，需要修行以下內容。
(1) 熟練掌握神經網路
(2) 培養良好的數據敏感性，知道如何正確準備和使用數據
(3) 至少熟練掌握一個深度學習框架的使用
(4) 熟悉深度學習模型的基本訓練和調參，網路設計
(5) 掌握歸一化，激活機制，最優化等對模型性能的影響
(6) 能熟練評估自己的演算法，使用合適的優化準則
我們正在更新這一個系列的文章
AI初識境界系列完整鏈接：
第一期：【AI初識境】從3次人工智慧潮起潮落說起
第二期：【AI初識境】從頭理解神經網路-內行與外行的分水嶺
第三期：【AI初識境】近20年深度學習在圖像領域的重要進展節點
第四期：【AI初識境】激活函數：從人工設計到自動搜索
第五期：【AI初識境】什麼是深度學習成功的開始？參數初始化
第六期：【AI初識境】深度學習模型中的Normalization，你懂了多少？
第七期：【AI初識境】為了圍剿SGD大家這些年想過的那十幾招
第八期：【AI初識境】被Hinton，DeepMind和斯坦福嫌棄的池化，到底是什麼？
第九期：【AI初識境】如何增加深度學習模型的泛化能力
第十期：【AI初識境】深度學習模型評估，從圖像分類到生成模型
第十一期：【AI初識境】深度學習中常用的損失函數有哪些？
第十二期：【AI初識境】給深度學習新手開始項目時的10條建議
3 不惑
進入到不惑境界，就是向高手邁進的開始了，在這個境界的重點就是進一步鞏固知識，並且開始獨立思考。如果說學習是一個從模仿，到追隨，到創造的過程，那麼到這個階段，應該跳過了追隨，進入了創造的階段。
如果是在學校讀研究生，就要能夠發表水平不錯的文章，如果是在公司做業務，就要能夠提出正確且快速的解決方案，如果是寫技術文章，就要能夠信手拈來原創寫作而不需要參考。
這個階段需要修行以下內容：
(1) 熟練玩轉數據和模型對一個任務的影響
(2) 能夠準確的分析出模型的優劣，瓶頸
(3) 對於新的任務能夠快速尋找和敲定方案
(4) 擁有各種各樣的深刻理解深度學習模型的技能，從可視化到參數分析等等等
(5) 能夠優化模型到滿足業務的需求，實現工業級落地
(6) 了解行業的最新進展，並在某些領域有自己的獨到理解
不惑境界的內容
第一期：【AI不惑境】數據壓榨有多狠，人工智慧就有多成功
第二期：【AI不惑境】網路深度對深度學習模型性能有什麼影響？
第三期：【AI不惑境】網路的寬度如何影響深度學習模型的性能？
第四期：【AI不惑境】學習率和batchsize如何影響模型的性能？
第五期：【AI不惑境】殘差網路的前世今生與原理
第六期：【AI不惑境】移動端高效網路，卷積拆分和分組的精髓
第七期：【AI不惑境】深度學習中的多尺度模型設計
第八期：【AI不惑境】計算機視覺中注意力機制原理及其模型發展和應用
第九期：【AI不惑境】模型剪枝技術原理及其發展現狀和展望
第十期：【AI不惑境】模型量化技術原理及其發展現狀和展望
第十一期：【AI不惑境】模型壓縮中知識蒸餾技術原理及其發展現狀和展望
第十二期：【AI不惑境】AutoML在深度學習模型設計和優化中有哪些用處？
4 有識
到這裡，就步入高手境界了。可以大膽地說自己是一個非常合格的深度學習演算法工程師甚至是研究員了，在自己研究的領域裡處於絕對的行業前沿，對自己暫時不熟悉的領域也能快速地觸類旁通。
無論是眼界，學習能力，還是學習態度都是一流水平，時而大智若愚，時而鋒芒畢露，當之無愧的大師兄。
5 不可知
最後一個境界，就是不可知境界，超出我能描述的範圍了。舉一個例子，馬文·閔斯基，既可以讓AI生，又可以讓AI死，這樣的人是不會遇到的，放心好了。
這個修行之路仍然在更新中，我們發布了超過360頁的指導手冊，大家可以去自行獲取。
------------------------------------這是分隔線------------------------------------
第二個問題，如何系統性學習，大家就可以去我們公眾號《有三AI》和知乎專欄《有三AI學院》看，覆蓋CV/NLP兩大領域，涵蓋深度學習數據和模型、GAN、AutoML等基礎技術，人臉圖像，醫學圖像，圖像分類分割等應用領域，學習資源、論文推薦、AI行業與產品等學習資料，將近30個專欄。
下面是一些綜述性質的總結和兩個適合初學者的內容
- 有三AI發布360頁11萬字深度學習CV演算法工程師成長指導手冊，可下載收藏列印，未完待續
- 有三AI一周年了，說說我們的初衷，生態和願景
- 【年終總結】2019年有三AI NLP做了什麼，明年要做什麼？
- 【年終總結】有三AI至今在人臉圖像演算法領域都分享了哪些內容？
- 【年終總結】2019年有三AI知識星球做了什麼，明年又會做什麼
- 【小結】除了網路搜索(NAS)，AutoML對深度學習模型優化還有哪些貢獻？
- 【完結】12篇GAN的優化文章大盤點，濃濃的數學味兒
- 【雜談】有三AI不得不看的技術綜述(超過100篇核心乾貨)
- 【總結】言有三阿里天池深度學習模型設計直播匯總，附贈超過200頁直播PPT課件
- 【完結】16篇圖像分類乾貨文章總結，從理論到實踐全流程大盤點！
- 【完結】12篇文章帶你逛遍主流分割網路
- 【完結】優秀的深度學習從業者都有哪些優秀的習慣
- 【完結】給新手的12大深度學習開源框架快速入門項目
- 【雜談】有三AI專欄作者邀請，在這裡寫文章能獲得什麼，有什麼不同？
1 深度學習模型設計
模型解讀系列文章：
第一期：【模型解讀】從LeNet到VGG，看卷積+池化串聯的網路結構
第二期：【模型解讀】network in network中的1*1卷積，你懂了嗎
第三期：【模型解讀】GoogLeNet中的inception結構，你看懂了嗎
第四期：【模型解讀】說說移動端基準模型MobileNets
第五期：【模型解讀】pooling去哪兒了？
第六期：【模型解讀】resnet中的殘差連接，你確定真的看懂了？
第七期：【模型解讀】「不正經」的卷積神經網路
第八期：【模型解讀】「全連接」的卷積網路，有什麼好？
第九期：【模型解讀】從「局部連接」回到「全連接」的神經網路
第十期：【模型解讀】深度學習網路只能有一個輸入嗎
第十一期：【模型解讀】從2D卷積到3D卷積，都有什麼不一樣
第十二期：【模型解讀】淺析RNN到LSTM
第十三期：【模型解讀】曆數GAN的5大基本結構
2 開源框架速成（更新完）
開源框架速成系列：
第一篇：【caffe速成】caffe圖像分類從模型自定義到測試
第二篇：【tensorflow速成】Tensorflow圖像分類從模型自定義到測試
第三篇：【pytorch速成】Pytorch圖像分類從模型自定義到測試
第四篇：【paddlepaddle速成】paddlepaddle圖像分類從模型自定義到測試
第五篇：【Keras速成】Keras圖像分類從模型自定義到測試
第六篇：【mxnet速成】mxnet圖像分類從模型自定義到測試
第七篇：【cntk速成】cntk圖像分類從模型自定義到測試
第八篇：【chainer速成】chainer圖像分類從模型自定義到測試
第九篇：【DL4J速成】Deeplearning4j圖像分類從模型自定義到測試
第十篇：【MatConvnet速成】MatConvnet圖像分類從模型自定義到測試
第十一篇：【Lasagne速成】Lasagne/Theano圖像分類從模型自定義到測試
第十二篇：【darknet速成】Darknet圖像分類從模型自定義到測試
將近500篇成系統的文章，超過100萬字原創，相信全網沒有第二個這樣的計算機視覺公眾號，希望對你有用。
同題主一樣，我也是非計算機專業的學生，但是研究生做的方向是圖像處理+深度學習
結合我的學習經歷說一下
1、Python 語言
本科還沒有畢業的時候(2018 年春)，那時候 Python 挺火的，所以在畢設的時候會學一點 Python 知識，然後玩了一階段的爬蟲。
2、機器學習知識，數據分析，數據處理
到研一的時候，除了日常上課，就是學機器學習的知識，看過吳恩達老師的視頻課，學習了基本數據處理的相關書籍，機器學習的基本知識需要認真掌握，會影響到你未來一些知識的理解，數據分析一般使用到三個庫 numpy pandas matplotlib
3、OpenCV 圖像處理知識
研一的時候剛好有個項目，需要用到圖像處理的相關知識，我在寒假的時候把 OpenCV 的基礎知識過了一遍，當然 OpenCV 只是一個庫，如果你要深入理解圖像處理的知識，是要深挖的，比如可以看看 數字圖像處理那本書
4、深度學習知識
再後來就是看了幾本深度學習知識的書
5、深度學習框架 如 Pytorch
既然想從事深度學習的工作，那麼深度學習的框架必定要掌握一個，接下來就是動手實踐了，比如圖像分類、目標檢測等等
我自己通過平常的實踐，將各個項目記錄在『機器視覺CV』公眾號上，以下幾個項目都是非常經典的。歡迎大家關注
在公眾號上我分享了圖像分類，目標檢測，OpenCV 等圖像相關的知識，歡迎大家關注『機器視覺CV』公眾號
歡迎各位關注『機器視覺CV』公眾號，我將持續輸出圖像處理 深度學習相關的知識，可以為大家提供一些資源，比如技術圖書，GPU 算力等。
數學，機器學習，深度學習，卷積神經網路，tensorflow,python,c++, opencv,OpenGl
先學傳統的數字圖像處理，深度學習的理論基礎其實就是把傳統的難以求解的計算給解決了，但原理還是在傳統的數字圖像處理裡面，可以看我公眾號裡面的數字圖像處理系列文章，花個幾分鐘簡要瀏覽一下，之後可以買點書系統學習。
real analysis, complex analysis, fourier analysis, functional analysis（stein四卷）
慢慢就可以開始看convex optimization, variational analysis, variational methods, stochastic calculus這些比較應用的
之後就根據需求找具體相關的內容讀了，比如variational bayesian, ADMM, nonparametric bayesian之類各種雜七雜八的。
至於煉丹，照著菜譜做菜的事兒也談不上學習吧，翻翻手冊放空大腦調戲隨機數生成器就當娛樂身心了。
圖像處理和深度學習是兩個不同但是有交集的方向，估計你的方向是深度學習計算機視覺方向，那就主要是深度學習的基礎知識和演算法（尤其是卷積神經網路），技能需要有python,pytorch,tensorflow等。如果是傳統圖像處理，需要學習岡薩雷斯的數字圖像處理，opencv和matlab等。
研究生的學習不建議以課本為主線，最好以任務為主線，有針對性地學習任務中用到什麼知識。入門的話建議學習利用深度學習模型做圖像識別，也就是樓上提到的卷積神經網路進行圖像識別，原因是有開源的圖像庫、理論不複雜、上手容易。
推薦閱讀：
