您的位置:首页 > 其它

关于快速学习一项新技术或新领域的一些个人思维习惯与思想总结

2022-01-15 00:19 681 查看 https://www.cnblogs.com/wxkang

 前言 本文尝试谈谈笔者对于学一项新技术、入门一个新领域的一些看法和方法。在本文会谈到一些思维习惯层面的、思想层面的内容,最后会给一个从零入门学习pytorch的方法作为例子。

写在前面的话

我写文章有一个特点,喜欢先把内容的重要性给写出来,读者才能明确为什么要看它,要怎样去看它。在我看来,这比正文更重要,也更难写好。

大学与中小学有着完全不同的学习模式。

在中小学时期,有老师上课详细介绍内容,并解答任何疑问。学习过程中,学习者始终不用去思考学习路线、学习时间、学习重点,学习目的也非常明确,应付考试获得高分。学习者所需要做的就是按照既定的路线,利用非常完善的辅助资料,把握老师指定的重点难点,然后不断投入时间精力。理论上来说,花的时间越多,成绩越好。

自大学以来,学习者们就进入了一种完全不同于以往中小学的学习模式,学习不再仅仅是为了考试,更多地要用于解决实际问题。对很多人来说,在大学里只要拿出高中三分之一的学习精力,就足以拿到高分,获得奖学金。然而很多人在取得优异的成绩后,面对一个具体的项目,即便是只需要用到自己上课学过的内容,也往往无从下手,若还需要临时去学一些新技术,则更加头疼。这是因为大学的课程仅仅是告诉你有这么个东西,而真正的掌握还是要靠自己去学。

到了研究生期间,老师甚至都不会教你要去学哪些东西,只会告诉你一个具体的任务,剩下的全是自己去调研要用到的相关技术并学会使用,而网上也不会像本科那样有教科书,有别人写好的完整的技术教程,更多的情况是没有人告诉你入门路线,没有人告诉你重点、学习方法、学到什么程度,没有完全匹配的教材,只有一些零零散散不成系统的博客文章,一些相关的书,甚至有些连学习目录都不一定有,遇到问题也只能自己解决或找人讨论。

从来都不是你会什么技术,所以你用它去解决什么问题。而是什么问题需要什么技术,所以你去快速学会并解决这个问题。因此,自学的能力成为了最重要的能力,这也是为什么企业很看重学历,往往学历能反映一个人的学习能力,即便一个人在大学期间学的东西不是非常相关,只要在工作中一段时间后,就能很快适应并上手。同样地,这也是为什么有些人不管在哪一个行业,都能干得好,因为学习能力在那。

学习能力并不是与生俱来的,跟后天的培养有极大的关系。往往学会的东西越多,学一个新技术和入门一个新领域的速度就越快。

就笔者自己来说,从大学以来,跨度领域算是比较大,基本都是围绕机器人来学的,从机械结构设计,到制作电路板、单片机编程、嵌入式,到现在图像处理、计算机视觉、模型部署等,学过的技术已经非常非常多了,如果再算上自学的数值分析、模式识别、机器学习、统计学习方法、视觉SLAM、汇编、计算机网络、操作系统等基础性内容,自学的内容或技术累积达到了四五十项以上,基本具备独立做一个机器人的能力、如机械狗、各种服务机器人。

笔者从一开始学习就没碰到过什么好的氛围,几乎所有问题都是自己或网上的博客或网站解决的,即便是从大学以来到现在加了几十个交流群,但交流群里其实很难真正地能帮助到解决一个具体的问题,更多地是只能了解相关的技术、扩展知识面。

但这一路也都走下来了,多多少少还算是有一些个人的经验在里面。在本文尝试谈谈本人对于学一项新技术、入门一个新领域的一些看法和方法。在本文会谈到一些思维习惯层面的、思想层面的内容,最后会给一个基于这些思维方法如何从零入门学习pytorch作为例子。

本文会涉及到通常学习一个技术常见的思维误区,一些不好的思维习惯,笔者的个人解决方法,会介绍为什么照着别人的代码敲一遍后还是自己不会动手的原因与个人经验方法,一些办事效率高效的思维方法,一些个人的思想层面的总结。

 

文章完整版: 《关于快速学习一项新技术或新领域的一些个人思维习惯与思想总结

 

欢迎关注公众号 CV技术指南 ,专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。

在公众号中回复关键字 “入门指南“可获取计算机视觉入门所有必备资料。

其它文章

ICCV2021 | Tokens-to-Token ViT:在ImageNet上从零训练Vision Transformer

CVPR2021 | TrivialAugment:不用调优的SOTA数据增强策略

PyTorch和TensorFlow在模型可用性、部署便捷度和生态系统方面对比

CB Loss:基于有效样本的类别不平衡损失

计算机视觉中的数据预处理与模型训练技巧总结

Panoptic SegFormer:端到端的 Transformer 全景分割通用框

ICCV2021 | 简单有效的长尾视觉识别新方案:蒸馏自监督(SSD)

AAAI2021 | 任意方向目标检测中的动态Anchor学习

ICCV2021 | 用于视觉跟踪的学习时空型transformer

论文的科学写作与哲学

计算机视觉中的传统特征提取方法总结

ICCV2021 | TOOD:任务对齐的单阶段目标检测

Pytorch 数据流中常见Trick总结

计算机视觉中的transformer模型创新思路总结

PNNX: PyTorch 神经网络交换格式

论文创新的常见思路总结    |    卷积神经网络压缩方法总结

神经网络超参数的调参方法总结   |    数据增强方法总结

Batch Size对神经网络训练的影响    |    计算机视觉入门路线

论文创新的常见思路总结    |    池化技术总结

归一化方法总结       |  欠拟合与过拟合技术总结

注意力机制技术总结   |   特征金字塔技术总结   

2021-视频监控中的多目标跟踪综述

一文概括机器视觉常用算法以及常用开发库

统一视角理解目标检测算法:最新进展分析与总结

给模型加入先验知识的常见方法总结    |    谈CV领域审稿

全面理解目标检测中的anchor    |    实例分割综述总结综合整理版

HOG和SIFT图像特征提取简述    |    OpenCV高性能计算基础介绍

目标检测中回归损失函数总结    |    Anchor-free目标检测论文汇总

2021年小目标检测最新研究综述    |    小目标检测常用方法总结

单阶段实例分割综述    |    语义分割综述    |    多标签分类概述

视频目标检测与图像目标检测的区别

视频理解综述:动作识别、时序动作定位、视频Embedding

内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: