许多朋侪上学、事情期间最痛苦的，莫过于要阅读大量的英文论文。不仅语言生涩，难以领会意图，而且面临庞大的网络结构和数学公式，更是让人感受力有未逮。

笔者履历过无数次痛苦折磨后，总结了一些方法履历，与大家分享。熟悉领域的经典事情在AI领域，方法的进步创新往往是有脉络可寻的，就像一棵树，从外寓目盘根错节，让人不知所措。

然而从内部看，都是从树根一点点生长而来。对AI领域来说，经典事情就是树根。以NLP为例，许多论文的网络结构很是庞大，类似于CNN/RNN/GRU/LSTM/BiLSTM/AN等等结构层出不穷，然而大部门网络万变不离其宗，还是Encoder-Decoder的经典结构。从经典事情出发，我们往往能知其然而知其所以然。

同样，多读一些领域总结性的综述论文，也能资助我们快速相识领域的生长偏向。对照论文源码阅读一般来说，论文提出揭晓后，作者一般会将论文源码放在Github上。

所接纳的框架一般也为tensorflow，pytorch等，简朴易懂。一般来说，看源码明白论文，要单纯比通过论文的形貌、图表、数学公式要容易的多。就我小我私家而言，阅读许多Google揭晓论文都感受网络结构图很是庞大，不能明白，可是对照开源代码后，就会明确为什么结构图要画成这个样子。同时，多看源码有利于提高小我私家的编程水平，能比力好的提高自己的工程能力。

读论文前，重点阅读摘要和实验效果这也是血的教训，现在人工智能领域大火，灌水之风盛行，很多多少时候到arXiv上阅读一圈，看到一篇论文貌似不错，效果花了半天时间费劲阅读后，发现文章方法并没有太多可取之处，往往得不偿失。文章的摘要详细先容了论文的创新点，详细阅读能很大水平上帮我们规避灌水论文，节约时间。

而实验设置及效果可以帮我们快速选择适合自己研究的事情，要否则到时候花了大量时间复现，却发现实验设置自己不合理就得不偿失了。不要畏惧英语，不要太纠结数学大部门论文下来，加上参考文献都要12页之多。

大段的英文看着就头疼。但其实，大部门盘算机论文行文结构、用语都很类似。往往多看几篇，一些生僻的单词就算不能说出详细的意思，也都能感受个或许。

而如果只是希望将论文方法用在事情中的话，许多庞大的公式推导都可以略过，因为详细实现基本都是基于成熟的开源框架，只需要明白基本原理即可应用。固然，如果涉及到创新和革新的话，最好还是花一些功夫弄懂好些。以上就是笔者为大家先容的一些论文阅读履历，不知道是否对您有所启发，其实万事都是先易后难，只要前期耐住寥寂，肯下功夫，再难的问题都市迎刃而解。

本文来源：米乐体育APP官网-www.meishikj.com