但是解决问题也没有实际那么简单，需要很扎实的基础和较强的学习能力才行。
在企业不同于在学校，企业要求的不可能是demo级别的玩具，更多的是稳定可靠、精度达到要求且可以上线，缺一不可，看似简单，但实际困难重重。与高校场景完全不同，所以建议大家在高校中尽量多参加一些实际的项目，要有反馈，千万不要自嗨。
PS：作为算法工程师，往往都是有压力的！拖大家的福，老潘的头发还是很浓密...
其他需求岗位只有一点要提醒的，不是只有岗位名称包含CV、图像、AI等的才与深度学习有关系。随着深度学习的不断普及，上到算法层，中到软件层，下到硬件层，每个层都有与AI、与计算机视觉相关的岗位。
岗位名称五花八门，这里只说一句，名称是一方面，点进去看岗位介绍最靠谱！
关于算法岗位分布与特点老潘之后抽空会汇总一波。
第四节 人才的培养与发展虽然说我们大部分人是靠自学，感觉有台电脑就可以。但是对于深度学习这个烧钱的方向来说，有设备有机器是最好的，这里列一下我们学习可能需要的设备：
显卡(深度学习训练必备)，关于显卡的选择，可以看下我之前的一篇文章给你一份配置清单:机器学习、深度学习电脑显卡配置指南，虽然是之前的，但是仍有参考意义。
推理卡(如果你不搞训练只搞部署)，类似于英伟达的TX2、Xavier系列、jetson nano系列，或者树莓派系列。这类板卡适合搞一些工程项目，类似于部署落地
关于部署落地，老潘有话想说：
实验室没有资源的但是又想参与的，可以自己掏钱买显卡(这里简单提一下，可以买2月26日发布的3060-12G显卡，官方建议价2499，性能和之前的1080ti差不多，如果有条件可以抢到，这款卡很适合做深度学习)，也可以白嫖一些GPU资源(例如kaggle)：
随身GPU服务器：Kaggle中kernels的快速入门指南
还有一些白嫖的GPU资源老潘还没有整理，之后会发布相关文章(关注老潘不错过)。
放心吧，只要你真心想入坑深度学习，GPU资源什么的不是大问题，可以通过各种方式解决，关键还是要有热情和兴趣。毕竟深度学习这条路，注定不会一帆风顺。
在学校与在公司的烦恼在学校的烦恼能有啥哦？老潘认为在学校还是很舒服的...想学什么学什么，想做什么做什么。
不过肯定会有一些不满足于现状的学弟学妹们，想要突破一下自己，找点事情做。这个时候如果导师不给力，还是要靠自己的，主动找点事情做吧~
有疑问也可以与我交流。
关于研究生导师和人工智能公司的发展瓶颈(烦恼)，就不是我们所考虑的了，看看就行啦！
基本高校的课程如下，课程基本是起到引导入门的作用。渴望学习的我们，更多的是希望自己找自己感兴趣喜欢的课程去学习。
课程资源限于篇幅，可以看看这篇：
正如报告中所说：
短期内在高校开设细分领域的课程仍有不小的挑战:
一方面，计算机视觉细分领域广泛，学生兴趣较为分散，细分领域课程可能无法满足全部学生需要;
另一方面，由于本领域技术迭代速度极快，且部分领域的学习需要多样化产业实际案例的支持，课程开设难度较大。