社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

零基础想快速发表一篇深度学习论文,该怎么做?

AI算法科研paper • 2 月前 • 161 次点击  

今天分享一套能够快速产出论文的方法论,教大家如何解决各环节中常见卡点、轻松搭建论文生产链。

当然,基本每个环节我都准备了现成资源,主打一个一步到位,助你轻松科研~

下文中提到的90个深度学习数据集/100个医学数据集、各方向参考论文、366个即插即用模块、15个深度学习&机器学习必备画图工具都可直接扫码添加小享让TA无偿及时发送给你最新链接!

长按添加小享,回复【论文攻略】无偿获取

① 不用先学完所有理论,基础补到能做实验就行

已有基础可跳过。

高数、线代、概率论这些当然重要,但没必要一上来就把数学重新学一遍。更重要的是先掌握深度学习真正高频的部分:Python、Numpy、Pandas、Pytorch,以及数据预处理、模型训练、验证和测试这些基本流程。

做到:看到一篇论文 → 能看懂模型 → 能跑起来 → 能改代码。基础补到这个程度,就可以开始进入实战了。

② 定方向以后,第一件事是找数据

不要等创新点想好了才开始找数据。万一数据集不够合适咋办。所以确定研究方向后,可以先把这个方向常用的数据集看一遍,重点关注:

  • 数据规模够不够
  • 有没有公开代码
  • 有没有近几年论文使用
  • 任务是不是足够成熟
  • 自己的实验条件能不能跑

我自己整理了一份90个深度学习数据集,另外又整理了100个医学方向数据集,可以直接帮你找数据这个最容易浪费时间的环节省了。

③ Baseline不要乱选,选自己改得动的

很多人第一次做论文要么找一个五六年前的老模型,创新空间是有,但审稿人可能会问为什么不用更新的方法;要么直接追最新SOTA,结果模型太复杂、资源要求太高,最后连Baseline都没跑通。

更实际的思路是其实是找近几年性能不错、有代码、结构相对清晰,而且自己实验室资源能够承受的模型。

先完整复现一次。注意不要只看论文里的结构图,最好把每个模块、输入输出Tensor、数据流向都摸清楚。因为只有真正理解Baseline,后面才知道到底应该在哪里改。

各个大热方向及其相关方向的参考论文我基本都整理过一遍,可以加小享给TA发你的方向,有对应论文合集会直接发给你。

④ 第一次做创新,不一定非得从零造模型

对于刚开始做论文的人,我反而比较建议先从成熟的即插即用模块入手。比如:注意力机制 → 多尺度特征 → 特征融合 → 卷积改进 → Transformer模块 → 特征增强。

从不同论文里找到适合自己Baseline的模块,再尝试串联、并联或者交互融合。

关键不是缝得越多越好,而是要写清楚:为什么加这个模块?它解决了Baseline的什么问题?为什么组合以后应该有效?然后通过消融实验、对比实验把这个逻辑验证出来。

我这边也整理了366个即插即用模块,来源于CVPR、ICLR、ICML、NeurIPS等顶会,分为了5大类:模型增强、结构创新、前沿技术、效率优化、特定场景应用。你可以随时拿来调用,这肯定比自己从几百篇论文里翻模块省时间。

⑤ 实验做好以后,论文呈现也非常重要

很多论文做到最后,模型可能还不错,但图表、实验可视化、网络结构图做得比较粗糙,整体完成度一下就下来了,要知道漂亮的图表可以很大程度上提高审稿人的阅读体验(懂的都懂)。

所以我还整理了一套深度学习&机器学习常用画图工具,共15个,主要解决模型结构图、实验结果可视化、论文图表这些实际问题,帮你提高中稿率。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/200254