科研人必看入门攻略（收藏版）

来源：投稿 作者：小灰灰

编辑：学姐

本文主要以如何做科研，日常内功修炼，常见科研误区，整理日常‘好论文’四个部分做以介绍，方便刚入门的科研者进行很好的规划。

1.如何做科研

1.1 选方向

当我们刚步入科研的第一步时，首选就要选择课题和方向，那么面对实验室很多项目和课题，一般选择方向需要一定的积累，而且很多题目风险性很高，所以要做的就有两个点，一个是多跟老师讨论，还有一个笨方法就是关注一下目前最顶级的研究机构，关注目前的主流模型，他们在做什么，那么我们就可以选择这个方向，并且实时监控他们的科研进展。

那么方向有了，那么就可以关注一些顶级会议的方向：

• IR（信息检索）：人工智能领域智能信息检索方向最权威的顶级国际会议（SIGUIR），国际计算机学会信息与知识管理大会（CIKM）

• NLP（自然语言处理）：ACL,NAACL,EMNLP,IJCNLP

• ML&AI：NeurIPS

• DM（数据挖掘）：知识发现与数据挖掘顶级会议（SIGKDD）

• CV（计算机视觉）：ICCV、CVPR、 AAAI

• ……

1.2 查找文献

知道了顶级会议的方向，那么就是如何找参考文献了，选择好方向之后，想要更快的知道本领域的研究内容：

1. 可以先从中文综述入手找到合适的英文论文

2. 对知识点的理解，可以借助知乎，csdn等平台巩固知识点

3. 文献的下载可以使用google scholar，百度学术去查找，一般最新的论文一般百度学术检索不到

4. 从论文找论文

5. 从被引论文找相关论文

一般推荐几个网站：

https://paperswithcode.com/ ---查看论文是否有代码的网站

https://www.aminer.cn/ ---由清华大学计算机科学与技术系建立,收录了sci，ccf优秀论文

https://www.semanticscholar.org/ ---语义学者(Semantic Scholar)是由微软联合创始人 Paul Allen 做的免费学术搜索引擎。

当然也可以从本校的图书馆进去查找相关文献。

1.3 读文献

1.那么我们查找了好多文献，下载了很多，读不懂怎么办呢，首先可以和师兄，老师整理一下，本领域的单词，同时也可以看下b站上，有关读论文的一些视频，比如李沐的视频：https://www.bilibili.com/video/BV1H44y1t75x/?spm_id_from=333.337.search-card.all.click

2.平时不断积累本领域的一些方法，模型

3.从论文中找到本论文中是根据哪篇论文中的研究点，解决了哪些问题。

1.4 建立模型

那么论文大概读懂了，怎么落实行动，依靠代码实现出来呢？就要建立模型。初学者建议从工具使用入手熟悉模型的输入输出，逐渐了解模型背后的原理，对于特定的问题进行整理代码。

那么拿到一篇论文，我们要做好复现，对于初学者就是找到有代码的论文，理清从数据到模型一系列的输入输出数据流，选择自己的工具（pytorch，tensorflow）搭建简单的模型框架，这个过程一定要亲自动手，进行搭积木，从而了解模型背后的数学原理，尤其对一些常用的模型了解背后的数学原理，做到魔改，尤其是本方向的特定任务，要非常熟悉，从而进行创新。

1.5 设计实验

一般读论文开始要格外关注实验的设计，评测指标是否选择合理，在跑实验的时候，发现效果不好，要思考，为什么不好，是什么原因导致这种效果，你选择的模型的假设是否和数据有什么冲突，特别是面对效果很好的时候要稍加注意。

不要放弃，如果做不下去，说不定可以找到一些衍生的点。一定要总结，发现问题。

1.6 如何写论文

那么实验有了，要整理实验，准备写论文，写好论文

1. 首先要逻辑过关，保证基本的语法，找出研究领域内的高频词，常用词和通用词，可以做一次系统性的语法学习

2. 大量阅读论文，摘抄经典句子，通用句子，优美句子，可以先不要看摘要，练习复写摘要

3. 可以先给老师讲清楚创新点，防止出现逻辑的一些突然转折，不清楚的问题。

2.日常内功修炼

2.1 读论文

从大量的论文中，分析出粗读论文和精读论文，一般每周精读3-5篇相关论文。那么要读到什么地步呢，就要从一篇论文回答以下的内容：

1. 记住作者的名字，进而follow

2. 记住题目，主要是为了防止可以尽快找到

3. 要非常容易的说出本篇论文有什么缺点，毛病

4. 很容易用一句话说出本篇论文为什么新，很容易发表，他的贡献点是什么。

5. 可以很容易说出和这篇论文有类似的若干篇论文

6. 很容易说出本篇论文的技术细节

7. 很容易说出本篇论文的实验细节

8. 最难的是怎么想着把本篇论文的创新点应用到本方向。

2.2 学机器学习

1. 没事可以学习机器学习的东西，决策树，SVM，了解其中的背后的数学原理，

2. 经常参加学术报告

3. 系统上过一门机器学习公开课

4. 数学推导写出简单的笔记当作是最终的理解，可以用白板推导。

5. 以代码实现为最终掌握

2.3 写代码

1. 必须掌握一门语言，一般难度的模型应该三天左右可以复现

2. 找一个成熟的工具包或者代码库入手进行拓展，而且练习时要做到良好的代码风格。

3. 做到复用

4. 一定要做到代码开源，结果能够复现就好，平时多做积累

2.4 观察数据，收集数据

1. 可以清晰准确快速的了解一个数据集合和自己当前任务的关系，比如有100个实验，那么就要做100次实验吗，如果能够做到对数据了解，那么里面有的方法可以推翻，不需要做实验，或者做实验的过程中，就可以判断这个方法的好坏，清晰预判一个方法在一个数据上的正确结果，哪些方法可以适用，哪些不适应，自己一定要清楚。

2. 能够发现实验结果中的一些问题，进而总结实验中的一些规律，多看一些bad case，总结规律。 总结一下，在三年或者四年的学习中，你是否具备了以下条件：
   1.掌握一门编程语言，可以自己动手完成一个模型的主干框架的开发。
   2.熟悉基本的机器学习基础，要做到能够白板推导出来。
   3.掌握自己本方向自己之前从未做过的任务
   4.能够独立发表一篇本方向的相关论文，做到独立科研
   5.能够带领低年级同学做科研。

3.常见科研误区

1. 不要认为ccf-a，一区的论文就是最好的，要辩证的看法，不要在于来源，学会找准创新点

2. 不要认为调参能找到好结果，如果是好的方法，调参不应该很艰难

3. 如果有一组参数效果很好，但是其他组参数都不太好,需要高度注意

4. 不要把模型弄的过于复杂，要想办法提取核心的创新点。

5. 不要搭积木，一个好的创新点要好于三个分散的创新点。

6. 在投稿前都应该问一下，本文在这个工作中解决了什么问题，技术创新是什么，别人读了会有什么收获。

7. 学会讲故事，营造问题。

4.赏析好论文

可以以Language Models are Unsupervised Multitask Learners 和 Language Models are Few-Shot Learners 这两篇论文自己赏析一下，找到好的句子，温故知新。

 关注下方《学姐带你玩AI》🚀🚀🚀

论文资料+比赛方案+面试经验all in

码字不易，欢迎大家点赞评论收藏！