对于神经网络，硕士博士不需要弄明白原理，只需要应用，是这样吗？

我从工业界面试的角度来回答下这个问题。我在大厂工作期间面试了不少candidates, 自己也面试过不少岗位， 只会掉包，蒙着头拼积木==失业。过得了简历关你也绝过不了后面N轮面试。那么对于“神经网络的原理”（加引号是因为我觉得神经网络没啥真的原理可言）到底要掌握到什么程度才算合格？

1. 能手撕 前向/反向传播

这应该是每一个做DL的最最最基本的要求。给一个两层的做regression/classification 的neural network，给一个简单的1D vector, 把它的forward propagation写出来，还要用chain rule把back propagation也给推导出来，最好除了公式之外，能现场给个实际的input vector把相应的矩阵运算给算出来。

2. 对常见的loss function和激活函数要如数家珍，并且知道大概的优势/劣势。举个简单的例子，softmax和sigmoid有什么联系， relu相对tanh优势是啥。

3.对非常经典的论文要有较好的了解，并且有自己的“insight”在里头。举个例子，ResNet很经典大家都知道，那么它到底为什么用简简单单的结构做出了惊人的效果？再比如，虽然你是做图像分割的，但如果我问道Yolo的巧妙构思之处在哪你却连Yolo里面是啥都不清楚，基本也要被我挂了。这说明你做东西钻地太窄，失去了应有的广度。

4.对你自己专精的领域要有很深的认知，知道近期sota的设计理念，能大概说一说它们本身可能存在的缺陷。

5. 加分项：如果你对matrix本身有些基础的理解，比如Gauss-Jordan求逆怎么做，SVD大致步骤之类的会加分不少。另外如果你对传统图像处理，像sift, hog这些还有了解也会大大加分。

上述这几点从我近来几年的观察来看，可以说是大厂偏research岗位的基本要求，其实用一句话概括就是：知其然，更要知其所以然。所以回到你的问题，硕士博士不懂神经网络原理是否能行，撇开你是否能发论文不说，搁到工业界面试这边等于凉凉凉。

————————更新—————————

讲实话，我没想到还有些从业者觉得上述前四个算是面试造航母，现在大家的水准这么参差不齐了吗 ？搞我们这行的难道不应该对经典论文（一共也没多少篇，手指头都能数得过来）如数家珍，对自己深耕领域了如指掌？不然你自己闷着头写自己的算法吗 你可以完全不care我说的这几条，但等到你找大厂CV/DL工作的时候我觉得95%概率凉凉。