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：

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。

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。

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。

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。