这是一个创建于 1683 天前的主题，其中的信息可能已经有所发展或是发生改变。
用图片识别和 TensorFlow 举例吧
假设我有一堆图片数据，质量呢类似 sklearn 那种自带的测试数据吧，也不需要做什么处理
那我的下一步工作搭建 CNN
[None, 32, 32, 3] input->conv->relu->pool->conv->relu->pool->conv->relu->pool->fc(softmax)>fc(softmax)>fc(softmax)>fc(softmax)>fc(softmax)>fc(softmax)>fc(softmax)->output [10, 1]
搭完了，训练完了，模型出来了
然后搭建 TensorFlow serving，服务也做好了，功能也实现了，简单的工程化也做完了，算是已经可以上线用了
假设准确率有 90%
那我作为一个算法工程师，我下一步应该干嘛？
所有里面的数学公式都基本算是固定的，我不敢改，跟数学家比也没那个能力，感觉图像识别模型貌似也相对固定。
还有炼丹，超参数优化。除了这些呢？
扩充一下
如果这是一个推荐模型，那我又需要做什么？
萌新有所疑惑，上述描述肯定有缺陷，大佬们也轻喷
 |
1
Jooooooooo 2020-03-31 14:45:28 +08:00
所以是调参工程师, 洗数据工程师, 特征提取工程师, 规则工程师啊
你能自己想出新模型那就是另外一回事了 |
 |
2
qwertqwert12345 2020-03-31 15:19:07 +08:00
工程上一般是 水多加面，面多加水（指训练数据），然后考虑一下可不可以降低模型复杂度，或者加入新的结构去提高准确率
或者考虑一下安全性方面 研究深度学习，再学一下各种有名的通用模型咯，RNN，GNN，LSTM，GAN 啥的 |
 |
3
sleeepyy 2020-03-31 15:19:31 +08:00
看你的目的是什么了，如果只是学一下相关背景，这样就已经足够了。
如果是要应用到真实场景， 准确率方面： 考虑从 raw data 清洗成可以用于训练、预测的数据（更好的数据增强、特征提取方式） 考虑训练集和测试集之间的 out-of-distribution 的问题 etc. 效率方面： 针对特定硬件的优化 针对特定场景（数据特征（比如 sparse 的数据））的优化 计算图的简化 etc. 以及是否要做集成模型，是否要 online learning 等问题 |
 |
4
wangyzj OP @qwertqwert12345 每个不同的模型都有特定的场景，特定的场景我觉得都会有同样的问题
|
 |
5
zcfnc 2020-03-31 15:36:50 +08:00
我以前在学校的时候以为机器学习出来工作是自己动手撸算法
然后现在发现可能是自己太垃圾了 成了一个调参侠。。。。 |
|
6
wangyzj OP |
 |
7
fancy111 2020-03-31 15:42:37 +08:00
下一步。。。。 累积训练，找误差，写算法，改模型。。。。 完美~ 上市，集成硬件，卖~
|
|
9
wangyzj OP 自己顶一下
希望还有更多大佬来答疑解惑 |
Select Language