这次百度AIStudio推出的深度学习项目确实让我对深度学习有了更深刻的认识。深度学习作为机器学习中的主流研究方法，在CV、NLP和RS等很多领域取得了令人瞩目的成绩，通过这7日的学习，我对深度学习的感悟可以概括为以下几方面：

1. 要有扎实的基本功。这里的基本功指的是对模型、对算法的理解。做人工智能的研究，需要不断与时俱进，不断开拓创新，特别是在业界，大多是面向具体任务的，这要求我们对基本的网络结构有较为全面的理解，并能将其迁移到实际应用中。举例来说，如果要解决的是图像问题，CNN是一个很合适的特征提取结构，这是因为CNN能够提取边缘特征，并具有一定程度上的不变性。再比如说，要做目标检测，单纯地用CNN分类网络的结构并不能实现检测的功能，这里还涉及到目标区域anchor，一个自然的想法就是在分类的基础上对目标的边框做回归，这就是RCNN的思想。因此，夯实基础能节省很多不必要的时间成本和财力。

2. 要有足够的实践能力。理论要落实到生产，就必须掌握将算法转化为代码的能力。Python的重要性就不再赘述，python真的是入门深度学习必备的编程语言。要实现神经网络的构造，目前都要借助于成型的框架，如pytorch，tensorflow等，在这里不得不说，百度的PaddlePaddle深度学习框架确实比tensorflow友好得多，对于计算图和网络的构建十分方便快捷，网络的训练和数据迭代器也都有集成好的工具，更重要的是，AIStudio上提供GPU的算力支持，这相当于是在我们学习深度学习的道路上铺好了高速路。AIstudio上还有大量开放数据集，涉及范围很广，也有很多公开的项目，总体来说，要提升自己的实践能力，百度飞桨是一个很好的平台。

3. 调参炼丹。每个深度学习的研究者基本都要面对这样的挑战——1）效果不好；2）过拟合；3）提升模型效果；等等。神经网络有大量的超参数，尤其是深度神经网络，层数、每一层的神经元数、学习率、激活函数等等，有时候为了达到期望的效果，需要我们不断的尝试不同的超参数组合，也就是炼丹，这个过程非常煎熬。我们在调参时，也不能一味地胡乱尝试，也就是说调参也要讲方法。比如学习率，当你发现最终的验证集效果在某一个范围上下浮动，那就可能是学习率设置的过大，使得网络无法收敛至minimum，产生震荡，这时候就应该适当减小学习率。再比如说，对一个简单的特征维度很小的任务，如果设置每一层的神经元数过多，很容易产生过拟合。

    百度这一期的CV疫情特辑不管是从课程的讲解还是实战项目的设置上，都对我的深度学习能力有着很大的帮助，希望以后能借助百度的平台，做出很好的成果，也希望百度的PaddlePaddle能够不断壮大，同时还希望百度能够多举办一些类似的活动。