seo是做网站源码还是什么,别人做的网站怎么打开吗,网站建设的宣传词,周村有做网站广告的吗点击上方“算法猿的成长“#xff0c;关注公众号#xff0c;选择加“星标“或“置顶”总第 144 篇文章#xff0c;本文大约 6000 字#xff0c;阅读大约需要 15 分钟前言这是来自知乎上的一个问题#xff0c;但我觉得应该是对很多初入深度学习领域#xff0c;不只是计算机… 点击上方“算法猿的成长“关注公众号选择加“星标“或“置顶”总第 144 篇文章本文大约 6000 字阅读大约需要 15 分钟前言这是来自知乎上的一个问题但我觉得应该是对很多初入深度学习领域不只是计算机视觉特别是跨领域或者编程基础也不好的初学者可能感到疑惑的问题。而且提问者还被导师催进度给的压力也比较大。问题的链接https://www.zhihu.com/question/381154035问题问题的具体描述如下大前提:导师催得紧催进度我不知道我该怎么办了我感觉我就是为了完成任务感觉不到自己的进步我是完全是做自己的事情没其他与我无关的任务布置给我现在是研一下学期三年制计算机视觉描述一下我的现状:**文献:**一篇英文文献我最快读完花费是一天半的时间而这个就是完全是在读文章完全没有引申去看有些名词文章里提了我也就是知道有这个东西文章里说了多少就知道多少。**复现:**cvpr代码作者都是公开的但是复现对我来说仍然是问题我是跨考到计算机的python更是完全没有系统的学过整整三天我一直在改bug具体代码到底怎么写的我根本就没有看我不知道这样有什么意义感觉不到自己的进步。我不知道我该怎么办了尤其是代码这里我非常希望去学习一些pytorch框架的基础知识看教程敲代码而不是像这样一直在debug别人的代码让我自己写都无从下手。别人论文里出现的方法就是借鉴的一些方法一些数学基础出现的公式我根本不具备这样的储备我怎么就能想出来新的算法呢老师一直在催我让我多看文献让我运行别人的代码而我就是为了完成任务而完成任务老师还让我尽快提出新的算法运行我自己的算法让我感觉到了压力我到底该怎么办回答然后这里给出我的回答https://www.zhihu.com/question/381154035/answer/1285356371首先论文阅读和复现代码同等重要。从楼主的描述可以知道楼主目前是编程和算法的初学者两方面都是刚刚入门对你来说你的导师对你很 push给你的压力很大所以你可能希望能先解决其中一个问题比如先系统学好 python或者先好好看论文了解对应领域的基础知识理论等等。但是阅读论文和复现代码都是同样重要的。论文阅读阅读论文让你能了解研究领域的基础理论、经典算法以及领域最新研究成果更重要的是通过看论文给你提供思想和方法论你觉得自己想不出新的算法对初学者很正常这种时候确实就需要多看论文特别是看作者的动机Motivation建议楼主可以带着下面这些问题来阅读一篇论文作者想解决什么问题作者通过什么理论/模型来解决这个问题作者给出的答案是什么作者为什么研究这个课题目前这个课题的研究进行到了哪一阶段作者使用的理论是基于哪些假设这篇文章存在哪些缺陷作者关于这个课题的构思有哪几点楼主说到看一篇论文需要 1 天半的时间这个速度其实是很正常的当初我读研的时候看论文的速度可能更慢一方面是存在很多专有名词很多单词分开你都懂但是组成一个句子就不知道是什么意思另一方面不少算法涉及很多数学公式要读懂这些数学公式也需要花一些时间特别是数学基础薄弱。代码复现关于代码复现部分楼主希望有时间系统学习 pytorch 的内容而不是把时间花在 debug 别人代码。其实很多编程初学者都会有这样的想法等我好好系统学完编程的课程了我再来进行编程实战项目但更好的做法应该是边学边做学以致用。事实上楼主你看别人的代码就是一个很好学习编程学习 pytorch 这个框架的过程你可以看看别人是如何用 pytorch 来实现他的算法然后记录一些有用的代码这些你后续要实现自己代码的时候都是非常有用的。当然还有看看别人的整个代码结构怎么组织整个算法的项目代码当然有的论文作者的代码其实写得一般也没有好好重构但是一些大公司出品的代码那就是非常值得学习比如 pytorch的预训练模型 github 项目https://github.com/Cadene/pretrained-models.pytorchgithub.com最后稍微总结一下论文论文还是要多看而且可以带着我刚刚说的几个问题来看一篇论文进行总结。论文要挑着看对经典的、大牛的论文要详细阅读一般经典论文就是领域里很多人会引用到的这里看看引用数量可以知道而大牛这个你可以通过问你的导师、师兄师姐或者上知乎提问当然还有一些大公司的论文也值得好好看对于一些比较水的论文当你看论文多了一般你看看作者提出的方法就能知道是不是比较水的论文这种论文就粗略看一下摘要、方法和实验结果即可不需要花太多时间给自己制定一个论文阅读计划规定好每周要看完多少篇论文并且做好笔记毕竟好记性不如烂笔头而且分享到网上还可以和相同领域的一些讨论一下。代码复现代码复现是必然要做的好好看看别人如何实现他们的代码可以学习他们的代码风格整体组织的架构以及一些算法的实现。另外你是要学习 pytorch 的话这里简单推荐几个教程和 github 项目官方教程Welcome to PyTorch Tutorials官方中文文档主页 - PyTorch中文文档Awesome-pytorch-listbharathgs/Awesome-pytorch-list预训练网络模型Cadene/pretrained-models.pytorch导师你需要和你的导师进行一个好好的沟通将你自身的情况编程和算法基础薄弱告诉你的导师和你导师商量好这个看论文复现代码的计划。比如最初的 1 个月每周看一篇论文复现一篇论文代码然后做一个分享写下你看完论文的心得体会以及有什么想法可以说你觉得这篇论文有哪些不足然后慢慢提升到每周 2 篇3 篇甚至更多这个就需要根据楼主的实际情况。最重要的还是你需要先做好一个计划打算前期花几个月时间看论文复现代码在这个过程积累自己的新想法然后根据这些新想法尝试去实现他们做实验看看效果。你需要让你的导师知道你是有计划有在认真完成他给的任务认真对待你的研究生学业的。最后查找论文和代码的地方可以在这三个网站查找https://arxiv.org/免费获取最新论文的网站https://paperswithcode.com/sota展示了深度学习最新的性能最佳的论文不仅仅是计算机视觉方面的https://github.com/topics/computer-vision?lpython可以在这找到代码实现的算法以及之前写了一篇计算机视觉的学习指南这里有推荐几个方向的经典论文2020 年计算机视觉学习指南总之无论是你希望走科研的道路接下来读博还是选择算法的工作都需要一个好的基础对于算法来说扎实的理论基础和工程能力都需要读博可能工程能力可以稍弱一些只需要可以通过深度学习框架如 pytorch 实现你的算法即可。所以你现在需要的就是努力非常的努力将基础打好提升自己的算法和编程能力。如果你希望读博那你也需要在剩余的两年时间发至少一篇论文还得是顶会论文而如果你希望工作那么你的时间就更少了大概不到一年时间因为整个算法岗位的竞争在短短两三年内变得非常的激烈更好的找到工作方法是通过实习转正而实习一般在 2 月底左右开始一般不错的公司比如 BAT、头条等在 4 月份之前就结束正式面试了后面可能会有少量的补录但数量少竞争自然更激烈了所以你更需要在不到一年时间内做好准备。其他优秀的回答丶favor的回答 - 知乎 https://www.zhihu.com/question/381154035/answer/1094056196在研究生初期我认为有老师push不一定是一件坏事压力产生动力能让你尽快入门我见过太多太多放羊的老师了。下面正儿八经的答题个人认为文献阅读和复现都同等重要前者为你提供了科研的世界观和方法论后者会帮助你填补理论到实践的差距。首先文献阅读像题主这样的阅读方式其实不太容易了解这个领域/方向。根据我的经验想要了解某个领域读文章时一定要深入要学会溯源和刨根。如题主所说的某篇经典文章里的某个名词作为这个领域的研究者来说这是一定要弄懂的。除此之外还要根据读完的这篇文章在google schoolar上刨出这个作者的一系列工作。像这些领域里集大成者的工作往往揭示了某个领域的发展脉络你看他的一系列文章能感受到领域的发展过程和发展方向。以此类推来阅读每一篇经典文献会为你的科研道路打好结实的基础。这里顺便提一下当你了解完某个领域想要创新突破时这时候读文章一定要广泛。不要局限于你所在的领域的文献内容否则你永远都跟在别人后面做increamental的事情要学会泛读各大领域的文章通过abstract来精挑启发性的文章来精读。再说论文复现我认为是必要的。当然目前浮躁的背景下不少人认为代码都是公开的在前人基础上修修改改即可。**但前提是你要全盘吃下前人的代码。**复现的目的不仅仅是复现而已更重要的是了解领域里的一些通用技巧trick以及学习代码的架构。这些都是为了以后的颠覆性工作打下基础。而且据我了解即使是前人的工作也存在很多弊端甚至错误的地方。举个真实例子某个工作的第一份代码出错后后续基于此的工作就接着一错再错后来我改正确之后跑了个baseline比这些SOTAs还高出一大截。因此深入了解代码也是必要的复现则是一个相对扎实的路径。综合来讲万丈高楼平地起想要做有价值的科研必须循序渐进。我建议你先补足基础知识没必要上来就硬啃别人代码这样效率确实很低。另外老师Push你是一件好事但是具体要怎么操作你应该根据自身情况来跟老师及时沟通。ELPSYCONGROO的回答https://www.zhihu.com/question/381154035/answer/1095912052我也是半路出来学机器学习和NLP的哈~提供点想法希望能有帮助。首先关于读文献如果你是想好了要在这个小领域深挖那么最好是用google scholar把与目标文献【相关】的引文都看一下这里的相关主要分为以下几类目标文章的引文这里又可以分为三类:a. Introduction中介绍background的文章。这里的文章很多都非常宽泛比如用了Deeplearning的很可能就把之前那篇nature给引用了。这类【很大】的文章不建议仔细看等有比较闲的时间的时候再去看看这些经典文章。不过有一类文章叫【细分领域的综述】这个可以在确定具体研究方向的时候看看这有助于让你对领域有客观广泛的了解不至于踩坑或者做了别人已经做完的东西。当然这个细分领域的综述也可以通过读最新的文章的related work来代替。b. Related work里提到的相关工作。比如一篇文章的contribution是将A领域和B领域结合起来发现的方法那么一般related work里就会分别就两个领域介绍。一般会将每个领域从一开始的发展介绍到最近的最相关的工作。这里【最近的最相关的工作】是要仔细读的尤其是这些文章的具体方法越新的越重要。你的idea很大程度上来自于对这些方法的改进或者融合。c. 基础知识类的引文。比如一篇CV相关的文章里提到SGD啊CNNXXXNet的时候引用的这一类引文不建议在当下就去读原文。这些是基础知识最好是找个集中的时候补一下。而且很多时候这些基础知识看二手的讲解比如知乎其他人的博客会理解的更好。在这个过程中最好是给每篇文章写个简短的点评这会让我们在自己写introduction或者related work的时候更轻松。关于复现代码由于我也是半路出家做AI没有计算机科班出身的训练写代码和复现的能力肯定是弱不少的。这个时候花大量的时间去从头复现肯定是不划算的。当然我们也不要走向另一个极端完全拿来别人开源的代码就用。一来因为我们还不是很熟悉pytorch之类的使用拿别人代码来跑大部分时间就都在调莫名其妙的bug了二来是因为哪怕是顶会的文章开源的代码写的不一定漂亮照着这些代码学很容易跑偏。所以我的经验是a. 先跟着优秀的代码简单打基础。以在pytorch上做图像的分类为例直接找到pytorch【官网上的tutorial】仔细研究他们的代码。将每个模块是干啥的怎么干的都用小本本记好。这样的好处是接下来真正看你想复现的代码时就可以心中有一个骨架这一部分是预处理这一部分是算metric...当然这一步不用进行得太细节比如softmax在pytorch里咋实现的就别看了效率要紧。b. 带着【批判的眼光】看要复现的代码。有了这一步的准备我们已基本经明白了啥是规范的代码啥是不好的设计并且在心中已经有了一个标准的框架。那么我们就可以对着这个框架去在要复现的代码中找对应的功能模块。这个过程中我们也能发现要复现的代码究竟写的好不好以及他使用的trick究竟是很巧妙还是多此一举。。。c. 特殊而通用的功能模块要回归【官方文档】。这一步就比较细节了针对的是我们在读代码或者写代码的时候一些明明很通用但是没被封装的功能或者是已经被封装我们却不太了解原理的过程。前者的典型代表就是将一个class变成one-hot没有被pytorch封装但是经常会用到用的时候基本两行搞定。这一类就要在stackflow这种论坛上找找标准写法了。后者的典型代表是CrossEntropyLoss和NLLLoss的区别一个是hidden直接给另一个要自己过一个softmax这个区别如果不仔细看官方文档也是搞不定的。关于数学我感觉既然是半路转行那么打基础这件事儿要适度。比如CNN你知道了卷积层是利用了local correlated特性池化层是在downsamplesoftmax是要得到概率表示resnet的跨层连接是为了防止信息通过多层网络衰减严重这样就OK了。没必要纠结数学上是咋表示的。NLP的文章里总愿意把LSTM的公式堆出来个人感觉是浪费版面。。在Deep learning的背景下重要的是网络结构以及其背后的intuition因为这些网络的数学逻辑是啥搞Machine Learning那边还吵个没完没有定论我们做应用的就先别掺和了。。这也是为啥我在1-c里说学这些基础知识我们宁可看博客看notes也别看原文。因为博客和notes有【动图】啊一下就明白了。当然这只是科研入门时候的建议如果以后想PhD想深入研究基础是要系统的补一下的。关于老师催你嗯。。。这个我也不知道我当时导师是放养状态整个文章的构思到发表到rebuttal老师都没咋参与。不过我感觉你就和老师好好说每天50%时间打基础50%时间看文献然后把你看文献付出的努力吹成200%给老师听。半年后你就能发现你已经可以很熟练的进行研究和探索了。大概就分享这么多啦~半路转行的都不容易~祝题主早日入门享受搞AI的乐趣哈哈~小结最后总结一下一般对于跨领域到人工智能方向的研究生编程基础比较薄弱都可能会遇到这样的疑惑应该先好好看论文了解研究领域的情况还是先系统学习编程知识呢但这两个方面都很重要应该选择同时走这其实就需要一个比较好的规划对时间的安排提高自己的效率。特别遇到提问者的这类导师会比较催赶你的研究进度的提高效率就很重要了学会挑选重要的论文来仔细阅读那么如何判断哪些论文才是重要的值得一看看看引用数量、作者是否业界有名的大神或者看看相关的论文笔记公众号、知乎、博客等来判断是否要精读还是简单泛读即可。点击文章底部“阅读原文”可以跳转到我的回答精选AI文章1. 2020年计算机视觉学习指南2. 是选择Keras还是PyTorch开始你的深度学习之旅呢3. 编写高效的PyTorch代码技巧上4. 编写高效的PyTorch代码技巧下5. 深度学习算法简要综述(上)6. 深度学习算法简要综述(下)7. 10个实用的机器学习建议8. 实战|手把手教你训练一个基于Keras的多标签图像分类器精选python文章1. python数据模型2. python版代码整洁之道3. 快速入门 Jupyter notebook4. Jupyter 进阶教程5. 10个高效的pandas技巧精选教程资源文章1. 22 款设计和可视化神经网络的工具2. [资源]推荐一些Python书籍和教程入门和进阶的都有3. Github|基于 Jittor 的 GAN 模型库4. Github上的各大高校资料以及国外公开课视频5. GitHub上有哪些比较好的计算机视觉/机器视觉的项目欢迎关注我的微信公众号--算法猿的成长或者扫描下方的二维码大家一起交流学习和进步 如果觉得不错在看、转发就是对小编的一个支持
