前言：
前几日有个读者留言要我写一个计算机视觉入门路线，当时承诺过几天写一下，本想私聊写一份给ta，奈何过了48小时公众号就没有权限给读者回消息了。为了信守承诺，只好以公众号文章的形式发出来了，正好一些有需要的读者也可以看看。这是我个人的一些经验，算不上一篇正式的总结，所以写的会没那么正式和严谨，读者理性阅读就好，别当成是很规范合理的一个指导路线。
我由于是本科就开始自学，没有导师、学长学姐指导，当时比较年轻，有冲劲，属于什么跟视觉相关，我就去学了，所以走了很多弯路，但也正是如此，才学了很多很多东西。除了很多直接相关的内容外，一些跟计算机视觉不是特别相关的内容也都有涉及，例如视觉slam，cuda，数字图像处理，机器学习，统计学习方法，模式识别，数值分析，群智能优化算法等，还有很多。
也有点幸运的是，虽然走了很多弯路，学了很多不怎么用得到的东西，但我从中锻炼的能力促使我现在学任何一个新的东西，速度都比别人要快，理解效果更好，勉强算是祸兮福所依。
回到正题，在这篇文章中会介绍一些入门必学的内容，一些可以不学但学了会更好的内容。每个内容都进行了简要的介绍，并提供了获取途径。

必学的内容

  1. 李飞飞的csn231课程。这个课程我没有完整看过，因为我当时看的时候，我已经有很好的基础了，里面讲的东西我都了解，所以只扫了几眼。但这是很多人都推荐必看的一个入门视频。获取路径：b站搜“李飞飞”就可以获取。
    2. 李宏毅的关于深度学习的课程。这个我选择性的看了一部分，同样是因为看的时候已经有基础。从我看的那些内容来看，李宏毅的视频讲得非常非常好，十分惊叹竟然会有人讲课讲得这么好。获取路径：b站搜索“李宏毅深度学习”。
    3. 《解析卷积神经网络—深度学习手册》，这是我个人十分推荐的pdf，对于神经网络的结构组成介绍得很详细，写的非常简单，我阅读了两遍。获取路径：在文末提供的链接里有。
    4. opencv，一个图像处理的库，这日后会经常用到，我在文末的链接获取方式里放了它的pdf，这个pdf的特点是写的非常简单明了。
    5. tensorflow和Pytorch，建议先学tensorflow，因为对于刚入门的读者来说，tensorflow会更复杂一点点，等学会了tensorflow后，会发现pytorch无师自通。关于学习tensorflow，可以看下面这个链接里的教程，这个教程写得很不错。
    https://lyhue1991.github.io/eat_tensorflow2_in_30_days/
    也可以在B站上搜“tensorflow”，上面有很多很完整的视频教程。我在下面的链接里也提供了一份《tensorflow实战》。关于pytorch，在文末的链接获取方式里也提供了一份《动手学pytorch》。这个教程我全看了，十分推荐。
    6. CNN的一些经典结构，需要对每个经典结构了解得非常清楚，因为它们会经常跟你见面。如果说要自己设计一些网络结构，这些经典网络中所体现的一些设计思想，改进思路，都是十分值得借鉴的。关于这方面，在文末的链接获取方式里有两个pdf，《模型汇总》和《CV技术指南》里几篇文章《CNN结构演变总结》可以看一看。
    7. 无障碍阅读英文文献的能力。在以后的日子里，需要阅读大量的论文，需要用翻译软件的话，理解不准确，阅读速度不够快，阅读效率不够高。关于具备这个能力的方法，在文末的链接获取方式里提供了《CV技术指南》，里面有一篇文章介绍了如何实现高效阅读论文的方法。
    学完上面这些内容，可以勉强算是入门了，可以开始做自己方向上的研究。然而，基础算不上很牢固，一来是因为深度学习这方面是一个很难懂的东西，可能你看某个文档或某个视频的内容看懂了，但若是问你几个问题也许一个都回答不出来；
    二来是因为上面这些内容跟具体方向还没什么关系，它仅仅是个基础，计算机视觉方面，从我个人的角度来看，它最重要的是思路，思想。由于计算机视觉不具备可解释性，很多方向上的创新，改进，都是人的主观理解，但效果确实有提升也是真的，因此这些创新、改进的思路算得上是经验，只有熟悉这些才是真正的入门，自己设计、创新和改进的东西才会产生好的效果，因为创新不是小孩子的天马行空，必须基于合理的情况下。

    可以学一学的内容

  2. 机器学习。机器学习很难理解，里面的东西对计算机视觉的人来说也不常用，但仍然建议看一遍，里面有很多算法，对分析问题能力和理解能力的提升会很有帮助，也会扩展自己的思路，获取路径：B站搜索李宏毅机器学习，文末的获取方式里也提供了西瓜书的pdf。
    2. 统计学习方法，这个就比较简单了，可直接看书，同样是里面的算法对于提升能力扩展思路很有帮助，甚至很多传统算法，计算机视觉现在用到的一些算法，都有这里面的内容，这本来应该是列在上面必学内容里的，想想还是列在这里合适。获取路径：文末的获取方式里提供了pdf。
    3. cuda。这对于计算机视觉的人来说，没必要去学，因为在框架里已经实现好了。但从我个人的角度来看，仍建议稍微了解一下，一是因为不深入的话其实内容不多，二是可以加深对代码的理解。获取路径：文末的获取方式里有一个pdf，我当初学的是一本绿色的书《GPU高性能编程CUDA实战》，但我没它的pdf，提供的这个pdf我稍微扫了一眼，确实比较简单，内容也不多。
    4. 数字图像处理。这个没得说的，看它的题目就知道，最好是学一学，这个也本应该列在必学的内容里，会对理解图像这一方面非常有帮助。推荐冈萨雷斯版的教材，这个网上应该有pdf，我在文末的获取方式里提供了一本《图像处理分析和机器视觉》，非常非常厚，里面的内容我选择性地看过一些，建议读者也挑一些看一看，例如关于什么是噪声，噪声的分类等。
    5. PRML-模式识别。这个也挺重要的，很多导师要求研究生在入学前就要学模式识别，公认的那版对刚入门的读者来说比较难理解，建议还是看一看，在文末的链接里提供了一个简单版的《模式识别与智能计算》，里面虽然有很多内容与公认那版不一样，但那些内容很值得去了解（第五章没必要看），例如模糊控制、模拟退火算法等，这些对于提升能力扩展思路很有帮助。
    6. 自己动手无框架（只用Numpy）实现一个卷积神经网络，而不是一个纯粹的全连接网络，包括卷积层，池化层，激活层，全连接层，实现完后再去看看别人怎么写的。这样做有两个目的，一个是自己真正的深入理解卷积神经网络，在这个过程中你会理解池化是如何回传梯度的，卷积操作在底层是如何优化的；第二个为了以后的结构设计和模块设计更合理。例如MobileNet_v3中提到sigmoid的底层实现太复杂，重新设计了一个简单的，例如很多论文设计出结构后都会分析底层的矩阵优化算法，避免计算太复杂。
    再补充一些个人的看法，目前计算机视觉最近几年发展很快，出现了很多很多重要的论文，模型，结构，算法。对于现在入门的读者来说，其实很难，因为要学的东西太多了，而不学又不行，因为没有广泛的知识面在这个领域是很难有创新的。而我能做的，就是在公众号中将这些内容尽可能地做一些总结，到现在为止，这些总结每篇都概括了十几篇论文的内容，读者看完总结后可节省不少时间去了解这些技术或方法。
    暂时只想到这些，也许还漏掉了一些重要的内容。
    以上的资料获取方式：在公众号《CV技术指南》中回复关键字“入门指南”可获取。