虽然说现在深度学习领域水论遍地，但这也反应出一个普遍存在的需求：怎么在有限的时间和算力下，快速产出论文？
今天就和大家分享一套五步流程。我也同步整理了一些配套资料，详见下文，从找数据、改模型到写论文都有参考，需要的可以按需领取。
第一步：定方向+找数据
基础方面，缺什么就学什么。方向优先贴合专业和导师项目，确定后尽早找数据集，重点看数据规模、任务匹配度、有没有成熟Baseline，以及算力能不能跑得动。
数据也不用专门花时间收集，我已经整理了90个深度学习数据集，可以作为筛选候选数据的参考，具体使用前记得核对数据许可和适用条件。
第二步：读论文别盲目堆数量
刚入门可以先看一篇高质量综述，再选几篇近年的代表工作，重点关注研究问题、方法设计和消融实验。先搞清楚别人解决了什么、现有方法还有哪些不足，再沿着引用继续深入。
第三步：先把Baseline跑通
优先选有公开代码、复现文档清楚、与自己任务匹配的方法。不要一开始就追最新SOTA，先把代码跑起来，理解各模块的输入输出和实验设置。
那结果有了，接下来从哪里改？不要只想着加Attention、换卷积，你可以先看看别人的工作。
我已准备了366个即插即用模块，按不同改造方向分类。在你缺少具体方案参考时，可以按需查找，少走弯路。
第四步：先找改造位置，再挑模块
常见的改造方向包括模型增强、结构创新、前沿技术融合、效率优化和特定任务场景。关键不是模块越多越好，而是先找到原方法的不足，再决定改哪里。
建议一次改一处，通过对比和消融实验验证效果。模块只是参考，能否解决实际问题，最终还是要看实验。需要资料如上。
第五步：实验完成，还得会写论文
实验有结果，不代表论文就能写好。研究问题怎么引出、方法为什么这样设计、实验如何支撑结论，都需要组织清楚。
针对这一步，我整理了一份人工智能论文高质量写作模板，按照论文实际结构，把Abstract、Introduction、Related Work、Method、Experiments等部分拆开整理，帮助你组织论文的整体架构。
合理使用可以减少从零组织论文结构和表达的摸索时间。
