论文读到方法那一节，突然出现一整页公式，希腊字母、花体字母混着写，符号定义翻了好几遍，还是不知道它到底在算什么。

这时候难免会想：是不是得先把数学补一遍，才能继续读论文？我的建议是先别急着补课。很多时候，卡住你的不一定是数学太难，而是读的顺序不对。

我把手里适合机器学习、深度学习的数学资料重新整理了一遍，按难度和用途做了分类。当然不是让大家从头啃完这些，而是论文读到哪里卡住了，就去对应资料里查哪一块。

长按添加小享，回复【数学指南】无偿获取

具体可以按下面几个步骤来：

第一步：先找这段公式要回答什么问题

论文里的数学推导通常不是凭空出现的，而是在解决一个具体问题。比如，这个损失函数为什么这样设计？这个近似为什么成立？这个理论界为什么是这样的量级？

可以先看公式前面的文字，尤其留意“为了……我们……”这类表述，把它改写成一句话：作者引入这段公式，究竟想解决什么？如果连问题都没搞清楚，直接盯着公式推导，很容易越看越乱。

第二步：把这一段的记号理清楚

很多时候，真正让人读不下去的是符号。同一个字母可能在不同章节代表不同东西，作者还可能省略一些默认的维度或条件。

建议把关键符号列出来，分别确认它代表什么、维度是多少、和前面的变量有什么关系。

如果卡在矩阵、向量、维度，就补线性代数；卡在期望、概率分布，就查概率论；卡在梯度、偏导，就看微积分。不用为了读一篇论文把整本书学完，把当前卡住的知识点弄明白就够了。

读到一个公式先停一下，想想作者接下来可能要做什么：是消掉某一项，还是构造一个新的表达式？猜错也没关系，反而能帮你发现自己究竟哪里没理解。

遇到复杂推导，也可以把公式和上下文交给AI，让它解释每一步的作用。但AI的数学推导不一定可靠，关键步骤最好自己核对，不能只看它讲得通顺就相信。

如果论文提供了开源代码，可以找到对应的函数，看看公式在实际实现中是怎么计算的。把代码里的变量和论文符号逐一对应，有时候会发现，自己看不懂只是因为论文省略了部分实现细节。

公式和代码结合起来看，通常比单独盯着数学表达式更容易理解。

不是每遇到一个陌生概念，就要从头学一遍数学。如果某个知识点只在一篇论文里出现，可以先针对性补一下；如果连续读了几篇论文，都反复卡在同一个概念上，那就值得系统学习了。

这也是我整理这些数学资料的原因：难度和侧重点都不一样，不用纠结到底该从哪个开始。卡线代就补线代，卡概率就查概率，卡微积分就看微积分。把它们当成论文阅读时随手查阅的工具，而不是又给自己安排一套必须从头学完的课程。

下次再遇到一整页看不懂的公式，可以先判断自己究竟卡在了研究问题、符号记号，还是数学概念。