恭喜你，终于找到这里了。

这里收集了老潘总结的深度原创文和珍藏的资料，相信可以帮助到你。一定要看到文末，文末有惊喜哦。

成长的路上

列一下博客的关键词：深度学习、神经网络、模型部署落地、服务器推理、Pytorch、TensorRT、Caffe、Python、C++、算法等。

如果这里刚好有你需要的，能够帮助到你，我会非常开心(PS:内心无比激动~)。这里的每一篇文章都值得你精读，每周都会更新，有关算法工程师和模型部署工程师的学习路线在文末。

老潘本潘

老潘不是严格的算法工程师，虽然也训练一些模型，但是对模型部署和产品落地更为感兴趣，也做过一些开发的工作，编程语言关键词如下：

C++|Python|Javascript|PHP|lua|C#|swift

个人最喜欢C++和Python，这两个也较为熟练一些。最初的我，对编程语言也会有一些奇怪的看法(例如：XX是世界上最好的语言！)，久而久之发现：编程语言其实没有高低贵贱之分(嗯，编程语言也是有情绪的)，每一门语言是为完成不同的任务所设计，各自完成不同的使命。我们不但要精通自己领域所擅长的语言，也更需勇于尝试和探索新的语言，发现它们的美。

编程语言其实都是有共通性的，学好任何一门编程语言(例如C)，再去上手其他语言差不多是轻而易举的。大部分的项目都会需要各种语言去构建，各司其职，彼此搭配才能够完成的更好。

话说回来，如果你对如何成为算法工程师感兴趣，或者想了解模型部署落地开发的具体工作内容如何去开始，亦或是有一些其他编程方面的问题，欢迎到公众号私信我(相信你能找到我)，有求必应。

以下几篇文章有一些自己之前的感悟(现在已经工作啦)，希望能帮助到和我经历相似的童鞋们。

CV算法内卷严重，但是我们可以看看视觉算法工业部署及落地方面的技术知识
深度学习快一年，作为研究生，谈谈自己的感受
浅谈深度学习的落地问题
个人关于CV算法秋招的感想(内有面经)

接下来也会整理一篇深度学习落地部署的文章，以及算法工程师的学习攻略，感兴趣的不要错过~

废话不多说，干货走起。

文章汇总：

创作不易，坚持周更，关注「oldpan博客」不错过推文。

博客原址：oldpan.me

理论分析派

深度学习相关。

解密Deepfake(深度换脸)-基于自编码器的(Pytorch代码)
一文来了解目标检测/图像分割/coco数据集检测评价标准
(深度文)马尔科夫随机场(MRF)在图像处理中的应用-图像分割、纹理迁移
(深度文)扔掉anchor！真正的CenterNet——Objects as Points论文解读
封藏的SSD(Single Shot MultiBox Detector)笔记
如何根据训练/验证损失曲线诊断我们的CNN
关于训练神经网路的诸多Trick(完全总结版)
深度学习为什么需要那么多的数据？
理解深度学习:神经网络的双胞胎兄弟-自编码器(上)
浅谈深度学习:如何计算模型以及中间变量的显存占用大小
再次浅谈Pytorch中的显存利用问题(附完善显存跟踪代码)
深度学习中数据集很小是一种什么样的体验
深度学习图像分割（一）—PASCAL-VOC2012数据集（vocdevkit、Vocbenchmark_release）介绍
深度学习图像分割（二）——如何制作自己的PASCAL-VOC2012数据集
浅谈深度学习中超参数调整策略

工程实战派

光有理论哪儿够，落地部署实战才是最重要的。

让VScode和大型IDE一样牛逼？利用VScode和Cmake编译插件构建C++工程
各种姿势的debug(从python一路debug到C++)
OpenVino初探(实际体验)

Pytorch篇

适合Pytorch进阶的文章：

浅谈pytorch与torch的关系
解密Deepfake(深度换脸)-基于自编码器的(Pytorch代码)
一个Tensor的生命历程(Pytorch版)-上篇
一个Tensor的生命历程(Pytorch版)-下篇
Pytorch的C++端(libtorch)在Windows中的使用
利用Pytorch的C++前端(libtorch)读取预训练权重并进行预测
如何在Pytorch中正确设计并加载数据集
Pytorch拓展进阶(一)：Pytorch结合C以及Cuda语言
Pytorch拓展进阶(二)：Pytorch结合C++以及Cuda拓展
探讨pytorch中nn.Module与nn.autograd.Function的backward()函数
在pytorch中实现与TensorFlow类似的"same"方式padding

TensorRT篇

很有质量的TensorRT文章：

利用TensorRT对深度学习进行加速
利用TensorRT实现神经网络提速(读取ONNX模型并运行)
实现TensorRT自定义插件(plugin)自由！

TVM

TVM不多说了，自动调优神经网络编译器，神器。

一步一步解读神经网络编译器TVM(一)——一个简单的例子
一步一步解读神经网络编译器TVM(二)——利用TVM完成C++端的部署

Caffe

多么经典的Caffe。

利用Caffe推理CenterNet(上篇)
利用Caffe推理CenterNet(下篇)

编程技能篇

工欲善其事必先利其器。

C++

C++小知识系列之“父类指针”和dynamic_cast！
写给大家看的设计模式(上)
写给大家看的设计模式(中)
写给大家看的设计模式(下)

Python

python提高效率的调试方法技巧(一)

实用工具工具

Mac mini M1使用简单体验(编程、游戏、深度学习)
如何利用好FASTAI——新版本fastai-v1.0快速入门

关于显卡与深度学习装备

部分已过时，不过仍有参考意义！

新显卡出世，我们来谈谈与深度学习有关的显卡架构和相关技术
给你一份配置清单:机器学习、深度学习电脑显卡配置指南

有趣好玩的项目推荐

正在整理ing...

学习路线以及书籍资源：

如果你是新手，看完此攻略可以让你少走N段弯路~

深度学习学习路线

基本路线《统计学习方法》->《机器学习花书》->《深度学习花书》。课程可以看李宏毅和吴恩达的入门课。非常不建议只看书籍，最好配上项目实战，边学边做。

有时间一定要需要看的书籍：

程序员的数学系列,适合重温知识，回顾一些基础的线性代数、概率论。
深度学习花书,总结类书，有基础知识的讲解，比较全面。
统计学习方法，总结类书，篇幅不长，都是核心。
Pattern Recognition and Machine Learning，条理清晰，用贝叶斯的方式来讲解机器学习。
机器学习西瓜书，适合当教材，内容较广但是不深。

另外推荐大家一本叫做《百面机器学习》的新书，2018年8月份出版的，其中包括了很多机器学习、深度学习面试过程中会遇到的问题，比较适合需要准备面试的机器学习、深度学习方面的算法工程师。

深度学习部署落地

老潘认为算法部署落地这个方向是比较踏实务实的方向，相比“设计模型提出新算法”，对于咱们这种并不天赋异禀的普通人(哈哈，咱们要谦虚)来说，只要你肯付出，收获是肯定有的(不像设计模型，那些巧妙的结果设计不出来就是设计不出来你气不气)。其实算法部署也算是开发了，不仅需要和训练好的模型打交道，有时候也会干一些粗活累活(也就是dirty work)，自己用C++、cuda写算子(预处理、op、后处理等等)去实现一些独特的算子。算法部署最常用的语言是啥，当然是C++了，C++虽然复杂，但是由于优异的性能和各种特性(类对象、元编程等)，被很多推理框架作为backbone的语言。

部署落地这方面需要学习需要做的事情还是蛮多的。最好还是以项目作为驱动，或者找一些开源的推理部署框架练练手，找一两个开源项目玩玩，找找感觉，自己也就逐渐有方向了。

例如NCNN(优秀)、MNN(牛逼)等框架(还有很多框架这里不一一列举了额)，是针对移动端进行部署进行优化的推理引擎，对ARM核进行了优化，如果你想做和移动端或者嵌入式端有关系的，可以看看这两个框架的源码，跑一两个demo找找感觉，另外还有Openvino和TensorRT，分别是对应cpu和gpu端的首推框架(想详细了解可以参考我之前的文章)，可以找相关的项目去做做。

部署的流程一般就是：

训练一个模型，也可以是拿一个别人训练好的模型
针对不同平台生成的模型进行转换，也就是俗称的parse、convert，前端解释器
针对转化后的模型进行优化，这一步很重要，涉及到很多优化的步骤
将转化好的模型运行在特定的平台(嵌入端或者服务端)

需要掌握什么技术，学好C++很重要，起码能看懂各种关于部署精巧设计的框架(再列一遍：Caffe、libtorch、ncnn、mnn、tvm、openvino、tensorrt，不完全统计，我就列过我用过的)。当然并行计算编程语言也可以学一个，针对不同的平台而不同，可以先学学cuda，资料更多一些，熟悉熟悉并行计算的原理，对以后学习其他并行语言都有帮助。

部署和落地的重要性...当然是很重要呃，对于硬件公司来说，需要将深度学习算法部署到性能低到离谱的开发板上，因为成本能省就省，这时就需要部署了。在算法层面优化模型是一方面，但更重要的是从底层优化这个模型，这就涉及到部署落地方面的各个知识(手写汇编算子加速、算子融合等等)；对于软件公司来说，我们往往需要将算法运行到服务器上，当然服务器可以是布满2080TI的高性能CPU机器，但是如果QPS请求足够高的话，需要的服务器数量也是相当之大的。这个要紧关头，如果我们的模型运行的足够快...可以省机器又可以腾一些buffer上新模型岂不很爽，这个时候也就需要优化模型了，其实优化手段也都差不多，只不过平台从arm等嵌入式端变为gpu等桌面端了。

系统的知识嘛，有是有，不过实际中都是用到啥再看啥，有项目在push你，个人建议直接上手项目，没有自己找找，按需学习。

这里简单总结下可以选择上手：

好用的开源推理框架：caffe NCNN、MNN、TVM
好用的开源推理框架：Openvino、TensorRT(infer不开源)
好用的开源服务器框架：triton-server
好用又不好用的编程语言：C++、CUDA、python

基础知识：计算机原理编译原理等

后记

以上的路线介绍可能不够详细，更多详细的路线会单独发文，请关注~

书籍路线

作为程序员，相关技能书籍是必不可少的，敲代码累的时候看看书轻松一下(???)也是极为不错的。

书不可贪多，贪多嚼不烂，切记切记。

书籍路线正在完善中，完善后发布~

公众号

公众号名称是oldpan博客，oldpan博客，oldpan博客！重要的事情说三遍。

如果你不满足于上述，请直接公众号私信联系我，不要害羞兄弟！有问必答。

交流群

进交流群的请私信公众号，回复“加群”即可。

交流一下吗？

如果你与我志同道合于此，老潘很愿意与你交流；如果你喜欢老潘的内容，欢迎关注和支持。博客每周更新一篇深度原创文，关注「oldpan博客」不错过最新文章。老潘也会整理一些自己的私藏，希望能帮助到大家，在公众号回复相应code即可：

回复"888"获取学习路线资料与文章汇总
回复"666"获取老潘整理好的必看编程书籍和视频资料
回复"001"获取机器学习经典论文集
回复"002"获取面试宝典秘籍
回复"004"获取人工智能必看经典论文合集
回复"005"获取人工智能入门视频
回复"006"获取CUDA珍藏笔记
回复"007"获取CS231N经典课件汇总

如果不想错过老潘的最新推文，请点击神秘链接。

程序员老潘的干货资源分享