目前精读文章已在 GitHub 开源，速览！

GitHub地址：github.com/mli/paper-reading

个人主页：https://github.com/mli

从本月初做论文推荐和精读以来，现已上传5条视频，已经逐段式逐句式精读了2篇论文。话不多说，趁着还能上车，赶紧追呀！！！

每次精析近60分钟，时长感人！从发布时间来看，老师你为啥总是周四周五上传视频？莫非我已经掌握了你的输出节奏！新一期的视频预计在3天后，前排蹲起！

从李老师已经推荐的论文来看，开头就是两篇重头戏---

深度学习奠基作之一：AlexNet

9年后重读，原来AlexNet的报告也被大佬们喷过？

AlexNet论文中有多少观点现在看都不对？

撑起计算机视觉半边天的：ResNet

为什么网络越深，效果越差？

残差连接在做什么？

从当下最热火的深度学习问题入手，再重读经典深度学习论文，经典还能回应时代之声吗？

李老师不仅从专业角度“亮剑式”解析论文，还光明正大领着大家吃起了瓜！原来大佬的的论文也被喷过！

看李老师做过的视频讲解，真真是读书“破”万卷！

怎么老师您的笔法越邪魅狂狷，我心越踏实！这样的论文结构解析和技术分析，一眼就能把论文读“薄”！

在开篇之作如何读论文中，沐神总结了读论文的一种套路：

论文结构通常分为六个部分，要按照“读三遍”的方法快速掌握论文的精华。

1.title

2.abstract

3.introduction

4.method

5.experiments

6.conclusion

第一遍：标题、摘要、结论。可以看一看方法和实验部分重要的图和表。花费十几分钟时间了解到论文是否适合你的研究方向。

第二遍：确定论文值得读之后，快速把整篇论文过一遍。不需要知道所有的细节，但需要了解重要的图和表，知道每一个部分在干什么，圈出相关文献。如果觉得文章太难，可以读引用的文献。

第三遍：重点读论文提出了什么问题，用到了什么解决方法，实验是怎么做的。

在读方法的部分中，思考自己如何完成作者所提出的问题，用什么方法实现；

在读实验的部分时，思考自己能不能比作者做得更好；能用什么方法优化。

在沐神的接下来的论文精读中，同样是按照这种方法指导大家拆分论文，懂得如何读论文是科研入门的第一步。

当然我们从李老师的GitHub 主页中发现，他在15个小时之前已经悄悄更新了下一期目录：

Transformer：新的大一统架构？

图神经网络的可视化介绍。

这样勤奋的老师谁能不爱！难怪大家对沐神的评价是：不用催更反而督促粉丝跟上节奏的神奇up主！

李老师官方透露：

录一篇文章的时间大概是5个小时（拍摄、剪辑、上传），一般是每天深夜找半个小时或者一个小时做一点。如果没有其他更紧要的事情的话，10天左右可以出一篇。如果大家热情的话，可以多赶一赶！

考虑在之后视频中将要介绍的论文，选取的原则是10年内深度学习里有影响力文章（必读文章），或者近期比较有意思的文章。当然这十年里重要的工作太多了，不可能每篇都过。在选取的时候会偏向一些之前直播课中没讲到过的。欢迎大家在讨论区里提供（点）建议（歌）。

现在的候选论文已经列出，将持续更新（数字不代表讲析顺序）。

• Adam：深度学习里最常用的优化算法之一。

链接：https://arxiv.org/abs/1412.6980

• EfficientNet：通过架构搜索得到的CNN，现在常被使用。

链接：https://arxiv.org/abs/1905.11946

• BERT：让深度学习在NLP上热度超过了CV。

链接：https://arxiv.org/abs/1810.04805

• GPT3：朝着zero-shot learning迈了一大步，当然也得讲一讲GPT/GPT-2

链接：https://arxiv.org/abs/2005.14165

• GAN。生成类模型中的开创性工作。

链接：https://arxiv.org/abs/1406.2661

• CLIP。图片分类从此不用标数据。

链接：https://openai.com/blog/clip/

• Non-deep networks：21年10月的新工作，非深度网络也能在ImageNet刷到SOTA。

链接：https://arxiv.org/pdf/2110.07641.pdf

• 为什么超大的模型泛化性好

链接：https://cacm.acm.org/magazines/2021/3/250713-understanding-deep-learning-still-requires-rethinking-generalization/fulltext

• GNN 介绍： Distill上最近一篇写得很好的介绍性文章。

链接：https://distill.pub/2021/gnn-intro/

• AlphaGo：让强化学习出圈的一系列工作。

链接：https://deepmind.com/research/case-studies/alphago-the-story-so-far

十篇论文已经安排好，意味着至少有两个半的时间，李老师将和我们一起云学习！

从李老师敲定的论文来看，篇篇都有讨论价值。

因此有网友表示：重读论文很有必要，技术需要时间验证。

至于一部经典作品是什么作品，哪怕它与时代的旋律格格不入，它也至少成为一种时代的背景噪音。

回顾李老师自己的生命历程，"大神"，是很多人对李沐的印象。作为一经推出便大受追捧的 MXNet 深度学习框架的主要贡献者之一，李沐功不可没。

以倒叙时间线来看，李沐目前为止的职业和学习生涯大致是这样的：

• 亚马逊首席科学家，2017 年 3 月至今

• 百度首席架构师，2014.4-2015.12

• CMU 读博士，2012-2017

• Google Research 实习生，2013 年夏

• 百度高级研究员, 2011.4 - 2012.8

• 香港科技大学研究助理，2009 - 2010

• 微软亚洲研究院实习，2007 年夏

• 上交 ACM 班

但是再看李沐近来的感悟，他更像是一位用理性审视生命历程的“有心人”，最近提出用随机梯度下降来优化人生的箴言：多向四处看看，每一步的方向都是你对世界的认识。

随机梯度下降的第一个词是随机，就是你需要四处走走，看过很多地方，做些错误的决定，这样你可以在前期迈过一些不是很好的舒适区。

重读论文大抵如此。优秀的经典论文就是要敢于直面权威的审视，也要在时间的流动中经久不衰。提到这十年以来的论文，李老师也谈到文中部分观点的失效，但能再从中锤炼出什么，从字缝里翻出什么细节，从段落中抖搂出什么字碴儿，正是重读经典的意义。