计算机视觉的学习我认为最重要的地方在于完善两方面的能力

1）编程能力；

2）理论知识的储备。

二者相辅相成，缺一不可。以下我也从这两个点切入，简要的总结一下计算机视觉的学习路线（学习循序有先后）：

Python是做算法的标准语言，目前诸如PyTorch、TensorFlow等最流行的深度学习框架都是基于python的。所以在接触算法之前需要有一定的python基础。

对于python的学习，网上有很多推荐的文本资料，差不多都是看书然后敲代码学习的思路。不过个人认为，对于初次接触python编程的学习者而言，看视频教程是最合适的也是最快的。看书很容易陷入局部知识点的纠结之中，而这些知识点可能都不是很重要。但是看视频的话是有人给你过滤了一遍知识点的，所以学习速度会更快。

对于视频教程的话，在b站、网易云课堂等平台上搜python，一搜一大把，挑选一个你喜欢的风格即可，比如以下教程我觉得就讲得很清晰：

（前100P是讲Linux的,如果赶时间可以跳过,从101P开始看）

看完视频教程之后如果有时间，再回过头来看书本就能够带着自己的理解去巩固知识点了。

计算机视觉的学习现在绕不过深度学习，而深度学习的入门又绕不过“吴恩达”这三个字。我相信，很多人都是看着吴恩达的网课入门深度学习的。

学习完这门网课之后，你将至少明白什么是神经网络；神经网络的工作原理、结构；卷积神经网络；循环神经网络；以及计算机视觉、自然语言处理等方向的一些具体应用。

Note：我认为这门网课是整个计算机视觉学习的基础，他对后续你能不能形成自己的理解并有创新有很大的影响。所以，学习的时候最后对每一节课做出总结。同时遇见不懂的知识点的时候，最好不要闭门造车，建议可以网上搜索一下关键词，像github、知乎、微信公众号上都有很多总结性的资料。

目前视觉上主要有几个基础任务，具体包括图像分类、语义分割、目标检测等。 需要学习者有一个全面的概览，做到计算机视觉各个方向是怎么做的心中有数。

具体步骤如下：

60分钟快速入门深度学习。同时这里有个小的demo —— 训练一个图像分类器，也能帮助理解和巩固 图像分类 任务的知识。

可以直接以这个文章为目录开始对语义分割任务的理解，并复现一些经典模型。在复现过程中加深对模型的理解以及增强编程的动手能力。而对于目标检测任务而言，大家同样可以以这个思路在网上搜素类似的综述性总结，然后以其为目录去了解这个任务。

学习完以上点之后，我认为应该是算入门计算机视觉了（