五月天在线高清无码,国模私拍一区二区三区,性爱aaa,国内自拍一区,免费看亚洲,色综合视频二区偷拍在线,99精品欧美一区二区蜜桃免费,天美传媒麻豆MDXXXX

↑ 點擊藍字關(guān)注極市平臺

作者丨張趔趄、微調(diào)、金雪鋒

來源丨知乎問答

編輯丨極市平臺

極市導(dǎo)讀

深度學(xué)習(xí)以及機器學(xué)習(xí)發(fā)展至今，涌入了大量的人才和資源，有很多方向已經(jīng)達到了一個瓶頸，短時間內(nèi)有非常大的突破有些難以實現(xiàn)。那么對于有學(xué)術(shù)要求與指標的學(xué)生來說，還有哪些方向可以去深挖呢？ >>加入極市CV技術(shù)交流群，走在計算機視覺的最前沿

# 回答一

作者：張趔趄

康奈爾大學(xué) 電子與計算機博士在讀

來源鏈接：https://www.zhihu.com/question/440538267/answer/1719126442

凡是個坑，都不好挖，能挖一坑，便能雄霸一方，挖多挖大，方能一統(tǒng)江湖。若只求畢業(yè)，hmmm....不需挖坑。

做機器/深度學(xué)習(xí)相關(guān)的基礎(chǔ)方法研究，難度不小，在硬件資源和自身梳理基礎(chǔ)上有一定門檻。但是相關(guān)領(lǐng)域的應(yīng)用卻未見得。比如個人所在的醫(yī)學(xué)圖像領(lǐng)域，和臨床應(yīng)用息息相關(guān)，每天都會有新的問題產(chǎn)生，也會有新的數(shù)據(jù)產(chǎn)生。如何利用這些數(shù)據(jù)，建立合適的模型去幫助醫(yī)生或者醫(yī)學(xué)科研工作者，其意義不言而喻。這些問題有小也有大，可以具體到一個非常垂直場景的應(yīng)用，也可以泛化到一些基礎(chǔ)性的問題如下

例如MRI掃描加速。在紐約，在醫(yī)院掃一次MRI，大概要2k刀左右，具體跟你需要的sequence還可能有關(guān)系。如果你能在不損失圖像質(zhì)量和信息的情況下對其進行加速，將具備巨大的經(jīng)濟價值。想當(dāng)年的compressed sensing和衍生出來的sparse representation，dictionary learning等在deep learning era之前的火爆程度，這不就說明這里面解決到的是fundamental的問題，其原理不僅可以加速MRI掃描，也可以被泛化應(yīng)用到其他地方，從而產(chǎn)生很大的影響力。
又例如medical image reconstruction, 大多數(shù)這樣的問題都是ill-posed，傳統(tǒng)解法是formulate成一個優(yōu)化問題，加上一些constraint/prior，從而求解。然而這些圖像每個人掃出來的雖細節(jié)不一樣，但是呢大體結(jié)構(gòu)又類似，那么如何讓深度/機器學(xué)習(xí)能更好的學(xué)習(xí)到prior然后來更快更好的解這些優(yōu)化問題呢？如果這個問題能被解決，那是不是可以直接應(yīng)用到其他類似需要領(lǐng)域呢，
在醫(yī)學(xué)圖像里有一類優(yōu)化問題，自身存在結(jié)構(gòu)，雖然from scratch去優(yōu)化可以得到正確的結(jié)果，但是深度學(xué)習(xí)是不是可以更好的去approximate這些優(yōu)化問題，利用自身的提取特征的能力來助力這些優(yōu)化？讓模型學(xué)習(xí)到這些結(jié)構(gòu)，然后在之后的優(yōu)化中就可以進一步提升速度。讓深度網(wǎng)絡(luò)變成一個優(yōu)化器。比如我的一個co-authro Mert Sabuncu提出的VoxelMorph，用來深度學(xué)習(xí)來實現(xiàn)image registration; 比如另一個co-author,Jinwei提出的用fidelity loss來對沒有見過的數(shù)據(jù)進行refine.
又比如做medical image analysis的第一步，往往是對ROI進行segmentation，如何真正的利用人體結(jié)構(gòu)的相似性來更好的讓模型學(xué)習(xí)到一些結(jié)構(gòu)，而不是直接遷移一些自然圖像里的方法呢？

上面說的還是相對基礎(chǔ)的一些問題，在醫(yī)療數(shù)據(jù)中有很多應(yīng)用場景，任何一個需要用計算機輔助人工甚至替代的地方都可以嘗試用深度/機器學(xué)習(xí)的辦法來解決。但是這些場景對于一個純研究算法的人來說，不一定接觸的到。所以本質(zhì)上，現(xiàn)階段在沒有方法性的新坑的情況下，我們結(jié)合一些垂直場景的domain knowledge，把這個垂直結(jié)構(gòu)做深入，才是生存之道。醫(yī)療數(shù)據(jù)這一塊個人認為這個行業(yè)雖然下限不低，但是如果解決的問題不是醫(yī)學(xué)的一些本質(zhì)問題例如癌癥，阿爾茲海默等，是不會有那種大新聞的。但是隨著國內(nèi)醫(yī)療環(huán)境的改善，以及國家未來對醫(yī)療行業(yè)的加大投入，這里面機會很多。同樣對于其他的領(lǐng)域也是如此，比如遙感圖像，生物制藥等

但說實話，求畢業(yè)的話，做應(yīng)用，或者改改模型，應(yīng)該很容易吧？

# 回答二

作者：微調(diào)

CMU博士在讀

來源鏈接：https://www.zhihu.com/question/440538267/answer/1717701231

如果限制你的是研究能力，也的確可以用苦工來彌補研究上的不足，而順利畢業(yè)。

既然題目里說是為了畢業(yè)不為其他，那就先說怎么畢業(yè)。這問題我很有經(jīng)驗，因為常常有網(wǎng)友問我要點子來畢業(yè)，我無償?shù)奶峁┻^各種亂七八糟的方案，有很多成功案例。不過大家不必單獨聯(lián)系我了，我直接把策略寫出來了。

最容易的就是做交叉application，算法A在任務(wù)B上的表現(xiàn)等。如果發(fā)會議就能畢業(yè)的話，ccf的c類會議里有相當(dāng)一部分都有>40%接受率（ICANN，IJCNN，ICPR等），你魔改一點網(wǎng)絡(luò)結(jié)構(gòu)去嘗試解決一個沒人在乎的問題，只要寫的別太拉胯就碩士畢業(yè)了。我舉一些不存在的例子，如何使用「魔改的RCNN」（這個可以替換為任何經(jīng)典模型）解決「室內(nèi)建筑通風(fēng)能力預(yù)測」的問題。再來一個，如何集成「多個自編碼器」提升「圖片中太陽花」的檢測率。再來一個，如何用「自監(jiān)督學(xué)習(xí)」來發(fā)現(xiàn)「海洋圖片中的污染情況評估」。怎么找應(yīng)用看你有沒有啥合適的數(shù)據(jù)，有的話多的是腦洞應(yīng)用。不行的話，翻翻這個答案隨便找點數(shù)據(jù)：機器學(xué)習(xí)需要的大量數(shù)據(jù)集從哪里找?（https://www.zhihu.com/question/342295029/answer/915272899）其實這類沒啥意義的文章其實才是泛學(xué)術(shù)圈的主流，我們不鼓勵這類內(nèi)容，但也明白很多人只是為了畢業(yè)，不丟人。
或者現(xiàn)在很多人也喜歡大規(guī)模的比較和benchmark，比如討論20種聚類算法在100個數(shù)據(jù)上的一些表現(xiàn)啥的。然后有些“驚人”的發(fā)現(xiàn)，比如原來某個領(lǐng)域20年來都沒啥新進展。比如mlsys20上這篇arxiv.org/pdf/2003.0303 ，研究了81篇文章里的pruning的方法。
再來，就是做數(shù)據(jù)集，你去UCI上看看各種各樣的數(shù)據(jù)集，能不能把它們改成其他任務(wù)的。比如把分類任務(wù)改成聚類的，把回歸改成檢測。很多會議也喜歡新的數(shù)據(jù)集，尤其是大數(shù)據(jù)集，或者多個數(shù)據(jù)集。

如果不是為了著急畢業(yè)，而是真的找一些別人還沒做的新坑，我覺得可以考慮一下scalability和machine learning (mlsys)。大概的問題定義是這樣的，隨著算法的不斷豐富，我們?nèi)绾卧谠絹碓酱蟮臄?shù)據(jù)上應(yīng)用這些算法。比如大型網(wǎng)絡(luò)平臺需要每秒上千萬次的推薦，金融風(fēng)控需要實時監(jiān)測欺詐交易等。細分的話內(nèi)容挺多的，比如并行訓(xùn)練、機器學(xué)習(xí)模型編譯、自動機器學(xué)習(xí)、模型壓縮等等。大概就是從很多角度都可以增強系統(tǒng)的吞吐和處理能力，當(dāng)然另一個極端就是怎么在低功耗的硬件上處理復(fù)雜的機器學(xué)習(xí)問題。

算法在大規(guī)模上如何做到低并發(fā)，很適合有系統(tǒng)啊、并行計算、高性能計算背景的同學(xué)，尤其是適合編程能力很強的同學(xué)，因為會涉及到很多開發(fā)的內(nèi)容。而且創(chuàng)新的方向很多，比如算法模擬上的（比如用locality sensitive hashing來計算不同樣本間的相似度），又比如計算精度上的（用half tensor的話會導(dǎo)致什么結(jié)果），也比如硬件上的（放到很多機器上分布怎么做等）。而且往往不同的方向都能疊起來一起用，這就導(dǎo)致了你可以有很多種排列組合解決不同的問題。也有很多理論上的坑，比如在模擬的同時如何確保正確性在

的概率是正確的。

因為以前我們在ML領(lǐng)域主要是在意新算法，或許現(xiàn)在來做怎么把經(jīng)典算法變快、變得更有擴展性、更魯棒，也是很棒的坑。研究生三年，一年入門，一年做系統(tǒng)，再爭取一年投出去，就能畢業(yè)啦。不僅進行了科研，還提高了編程能力，美滋滋。萬一一不小心做出個有用的系統(tǒng)，還能有工業(yè)界影響力。

所以回到問題本身，最容易畢業(yè)發(fā)文章的大概就是套application，發(fā)個會議就順利過關(guān)了。但如果想真的挖出有意義的坑的話，大概率是不“好”挖的。還是搞清楚自己需要什么更重要，然后實現(xiàn)自己的需求即可。

# 回答三

作者：金雪鋒

MindSpore首席架構(gòu)師

來源鏈接：https://www.zhihu.com/question/440538267/answer/1699917805

供參考：

1、AI與科學(xué)計算結(jié)合

AI技術(shù)，特別是深度學(xué)習(xí)/強化學(xué)習(xí)/圖神經(jīng)網(wǎng)絡(luò)等方法，基于實驗或者計算產(chǎn)生的數(shù)據(jù)對所求解的問題進行可計算建模，從而得到復(fù)雜問題的有效解決方式，這對當(dāng)今科學(xué)的研究范式已經(jīng)產(chǎn)生了巨大影響。經(jīng)過近幾年的發(fā)展，通過AI建模/AI求解/框架加速等手段，已經(jīng)滲透到科學(xué)的各個領(lǐng)域，例如數(shù)學(xué)，化學(xué)，物理等，這里我列舉幾個AI+科學(xué)計算解決傳統(tǒng)問題的實例，拋磚引玉，歡迎大家討論。相信未來幾年，AI與科學(xué)計算交叉研究與應(yīng)用，會保持很高的熱度。