笔者目前研0，一个月前提前进组，本科是学数学出身，之前完全没有接触过深度学习和cv方面的知识，代码只会点皮毛，C,C++，python和Matlab。C++是本科时的必修课，学完就没用过了，Matlab是为了打数模竞赛学的，学了一个月。Python只照着蟒蛇书学了两个月的基础。C是为了准备复试学习了一个月。总之就是四个字：基础很差...

我一进组就一边跟着师兄做实验，一边学习基础知识。刚开始是复现github上的一个项目，因为没接触过服务器的知识，我就先在自己的电脑上跑的实验，配环境就花了3天时间（遇到了不少坑，yaml，mmcv，conda，pip等等）。后来又掌握了服务器的使用，开始在服务器上跑，并且从Pycharm换成了VSCode(Pycharm要专业版付费才能连接服务器，相比之下还是VSCode好些）。后来就开始修改源码，跑一个baseline出来。在这一个月的时间里，我是三线作战：一边做实验，一边读论文，一边学习图像处理、机器学习、深度学习的基础知识。总之是又痛苦又快乐的一个月，这里就分三个部分记录一下这一个月的入门学习情况吧。

一、基础知识

1.机器学习&深度学习

一边看吴恩达的机器学习视频，一边读机器学习（西瓜书）和深度学习（花书）来巩固基础，系统学习一下Pytorch的使用。首先把梯度、学习率、损失函数、激活函数、正则化等一些基础概念搞懂，然后去看一些经典算法和模型（CNN,RNN,Transformer，Diffusion等），关注他们的优缺点，最后去尝试复现一些项目。

2.图像处理

读冈萨雷斯的《数字图像处理》，把一些基础概念搞懂。

二、论文

为了快速的了解研究方向的现状和前景，在读论文的时候我主要关注introduction和related-work这两部分。要快速寻找本方向的论文，最直接的方法就是在github上搜一下关于研究方向的综述，在前面加上awesome，比如你要研究super-resolution，就搜索awesome-super-resolution，基本上会有别人整理好的关于SR的论文集，就阅读一下近两年的论文，introduction和related-work这两部分基本上都会把以前论文研究过的都介绍一下，这样就可以快速掌握本方向做了什么，要做什么，这两部分是初期入门最需要关注的地方。大概过一两个星期后，应该就能掌握本方向的基本情况了，这时就可以开始关注论文Method和Experiment部分了，看一下论文是怎么做的，创新点在哪，优缺点在哪，实验结果怎么样，并且配合着代码一起看，可以尝试复现一下，跑一下测试看看。

三、实验

刚开始入门的时候，最难的应该是配环境了。首先要把conda搞懂，遇到bug就求助gpt和csdn等工具。另外就是学一下服务器的使用。大多数项目源码都是在linux系统上运行的，所以尽量在服务器上复现。还有一个最重要的就是要把论文和代码放在一起读，代码里有读不懂的地方，还有复现时的一些反常情况，比如说学习率突然降低，模型突然变大，GPU利用率时小时大等等问题，都可以从论文的Method和Experiment部分找到答案。最后就是熟悉一些工具的使用，比如说监控训练情况的lightning，tensorboard，训练中断后从断点checkpoint恢复，数据集的下载与设置等等。