-
Notifications
You must be signed in to change notification settings - Fork 0
如何读paper（2月22日）
2、知网：寻找优质综述，快速入门；百度学术、google scholar、arXiv：https://arxiv.org 论文预印本（preprint）平台
4、顶会：CVPR、ECCV、ICCV、AAAI、NIPS、ICLP、ICML等
是否优质，看IF（Impact Factor影响因子）：期刊前N年发表的论文被引数除以前N年发表的论文数，通常N=2或N=5
JCR（Journal Citation Reports，期刊引证报告）：统计SCI期刊的论文引用数据，给出各期刊IF
SCI期刊分区：JCR方式，一、二、三、四区各25%，中科院方式，一区为前5%，二区为5%-20%，三区为20%-50%，四区为50%-100%
sci-hub：
PMID(PubMed Unique Identifier, PubMed唯一标识码)：PubMed搜索引擎中收录的生命科学和医学等领域的文献编号
DOI（Digital Object Unique Identifier，数字对象唯一标识符）：相当于文献的数字身证
如何整理论文：
统一命名：时间-作者-题名；时间-关键词-题名
按类别归入文件夹
检索：电脑自带搜索工具，搜索关键词
论文管理软件：endnote、Mendeley（免费）、Zotero、Citavi等
如何读论文？
三步曲：泛读、精读、总结
泛读：快速浏览、把握概要
读标题、摘要、结论、所有小标题和图表
泛读目标及效果自测：
1、论文要解决什么问题？
2、论文采用了什么方法？
3、论文达到什么效果？
精读：选出精华，仔细阅读
精度目标及效果自测：所读段落是否详细掌握
总结：总结论文的创新点，关键点，启发点等重要信息
论文阅读效果自测：
三个终极问题：
1、你是谁：论文提出/采用什么方法，细节是什么
2、从哪里来：论文要解决什么问题/任务，其启发点或借鉴之处在哪
3、到哪里去：论文方法达到什么效果
论文中可借鉴地方总结
论文结构：
Abstruct 论文简介，阐述工作内容，创新点，效果
Introduction 介绍研究背景，研究意义，发展历程，提出问题
Related Work 相关研究算法简介，分析存在的缺点
Our Work 论文的主要方法，实现细节
Experiments 实现步骤及结果分析
Discussion 论文的结论及未来可研究方向
论文代码学习方法：
1、任务定义：搞清楚程序的目的，为了实现什么任务
2、数据来源：源码获取渠道，数据集类型，数据集的来源
3、运行环境：运行环境，实验工具，第三方库
4、运行结果：能否运行成功，运行代码后出现什么样的结果
5、如何实现：代码整体架构，每部分实现细节
学习路径：
1、python基础 编程基础、机器学习库
2、数学基础 矩阵计算，概率论、信息论
3、神经网络基础知识
3.1 神经网络与多层感知器
3.1.1 人工神经元：MP模型
3.1.2 多层感知机
3.1.3 激活函数（sigmoid/tanh/relu）
3.1.4 反向传播（BP）：梯度下降，学习率
3.1.5 损失函数：MSE/CE；Softmax函数
3.1.6 权值初始化
3.1.7 正则化：L1、L2和Dropout；提及BN/GN/IN/LN
3.2 卷积神经网络基础
3.2.1 卷积神经网络简介
3.2.2 卷积层
3.2.3 池化层
3.2.4 Lenet5
3.3 循环神经网络
3.3.1 rnn循环神经网络
3.3.2 lstm长短记忆循环神经网络
3.3.3 gru门控循环单元
4、PyTorch入门
4.1 PyTorch简介及安装
4.2 PyTorch人民币分类
4.3 PyTorch数据读取模块
4.4 PyTorch数据增强
4.5 PyTorch Module模块
4.6 PyTorch常用网络层
4.7 PyTorch损失函数
4.8 PyTorch优化器Optimizer
4.9 PyTorch可视化TensorBoard
4.10 PyTorch实用技巧GPU/Finetune/保存加载
5、NLP基础知识
5.1 文本特征
5.1.1 词袋bag of words BOW
5.1.2 分布特征（distributional）
5.1.3 tfidf权重
5.1.4 n元语言模型
5.1.5 语言学特征：句法树
5.2 NLP相关任务
5.2.1 文本分类
5.2.2 序列标注
5.2.3 翻译、摘要生成、信息抽取等
5.2.4 文本生成NLG
baseline：经典论文
细分专题：NLP：预训练模型、信息抽取、图神经网络、句子匹配、知识图谱等
知识体系：
1、选修知识：数学基础、Python基础、神经网络基础知识、PyTorch快速入门、NLP基础
2、baseline：10篇论文
3、细分专题：预训练模型、信息抽取、图神经网络、句子匹配、知识图谱等