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？
今天就分享一套我认为比较实用的五步流程，另外也整理了一些配套资料（详见下文），从数据集、模型改造到论文写作都有涉及，大家可以按需领取。
第一步：定方向，先找合适的数据集
方向尽量贴合自己的专业和导师项目。确定方向后，先看有没有合适的数据集、成熟的Baseline，以及现有算力能否支撑实验。
为了帮你减少前期搜集资料的时间，我整理了90个深度学习数据集，可以用来筛选候选数据，具体使用前记得核对数据许可和适用条件。
第二步：读论文，重点看别人怎么解决问题
刚入门不用一味追求阅读数量。可以先看一篇高质量综述，再挑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。
这一步尤其要弄清楚：现有方法还存在哪些不足？作者为什么这样设计？哪些思路可能迁移到自己的任务中？
第三步：先跑通Baseline，再考虑怎么改
优先选择有公开代码、复现文档清晰、与自己任务匹配的方法。先把实验跑通，理解各模块的作用和实验设置，再考虑改进。
这一步很多人会卡在：知道要改模型，却不知道从哪里下手。只会加Attention、换卷积，最后变成盲目堆模块了...
针对这个问题，我整理了366个即插即用模块，涵盖模型增强、结构创新、前沿技术融合、效率优化和特定任务场景。缺少改造思路时，可以按方向查找参考，但具体能否解决问题，还得结合任务和实验验证。
第四步：先找问题，再选模块
不要看到某个模块效果好，就急着往自己的模型里加。
更稳妥的做法是先分析Baseline的不足，再确定改造位置和预期效果，一次调整一处，通过对比实验和消融实验验证。
模块只是思路参考，真正值得写进论文的，是它为什么适合当前任务、解决了什么问题，以及实验能否支撑结论。
第五步：实验有结果，还要把论文讲清楚
实验跑出来不等于论文就能写好。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，都需要有清晰的逻辑。
我还整理了一份人工智能论文高质量写作模板，按照论文结构拆分了Abstract、Introduction、Related Work、Method、Experiments等部分，帮助你梳理论文框架，减少从零组织内容的摸索时间。
