人工智能论文写作

导论

0科学研究的基本流程

2寻找和总结文献

阅读摘要

根据摘要，看文章是否需要读。 主要看目的或者方法是不是和自己相关。

阅读和记笔记框架

这里记录好阅读过的论文后，基本上就把relate work这一部分也完成了。

3 寻找研究痛点以及研究方向

寻找研究痛点

寻找研究方向

方向1

例如：

方向2：当前的热点方向

当前大部分论文都是基于上图这个研究方向来做的！！
例1：

例2:

方向3:

例如：李飞飞的imageNet数据库和VGG数据库

方向4:

但是由于缺乏权威性，因此写的不多。

4论文写作和绘图工具

建议用latex，如果需要共同修改，则可以用overleaf

PPT的绘图方面非常好用！
originLab绘制的柱状图、点状图和现状图非常好看。
ps一般用来润色

一、AI论文中relate work（相关工作）的写作方法

通常我们会在写完相关工作之后，再来写引言部分。

1 撰写前的准备工作

相关工作主要是为了将本领域内的工作进行描述，是为了让读者对你这篇文章的研究内容与这个领域联合起来，使得读者能够更容易读懂你的论文的方法和意义。

1.1阅读现有文献

1.2 记录文献

读过的文献，不记录，都会忘记，所以需要在一个文件中，把所有读过的文献全部记录下来。

1. 记录题目的目的是，方便以后在100篇文献中，快速找到你要用的文献。

1.3 示例

残差网络

阅读并记录文献

特征的深度对于图像识别特别重要。



不止要找到痛点，也要找到痛点背后的原因。
痛点可能会有很多，最终那个本文要解决的痛点是本文痛点的核心。



理论上来说，深层次的模型应该比浅层次的模型效果更好。

本文解决的痛点是：当前深度模型非常难以训练，因为它存在一个梯度爆炸的问题，虽然现在有些方法已经可以解决好梯度爆炸了，但是在实际的实践中，这导致深层模型的仍然不太好。从理论上来讲，深层模型应该比浅层模型应该更好，这就造成了一个理论与实际上的差距。这就是本文想要着重分析的一个问题，以及想要解决的一个痛点。

痛点的概念、造成痛点的原因、以及痛点的影响这三个方面说清楚即可。







他们可以用最小的时间复杂的训练更深层次的问题。

1.4 示例2

略

写relate work的时候可以把笔记的内容用上。

2 撰写相关工作（英文写作结构）

通过分类或者时序的方法对你所总结的方法进行总体概述。

注意，这个第一部分往往是可以忽略的。

下面对第一部分进行举例：

第二部分：分为多个段落详细总结各篇文章

例子：


根据论文涉及到的模块，进行梳理写作。


例子：



总结，目的和方法是必不可少的，但是结果和结论可以省略，要根据是否对本文有用处而决定是否写。


也可以一两句话总结多篇论文。

第三部分：总结已有的方法的痛点（与本研究方向相关）

实战演练

二、AI论文中方法章节的写作方法

这是本篇论文中最重要的部分。



什么是方法部分？

1. 数据是如何获取和生成的。 数据是怎么获取和生成的，这一部分并不是所有论文都要包含，如果你是提出了一个方法，并且是在一个数据库上进行了测试，同时这些数据库还是公共数据集的话，那在你的方法当中并不需要这一部分，这一部分应该包含在实验章节中。
2. 数据是如何分析的？ 这是所有AI类论文都要包含的内容了。

正式撰写方法部分之前需要的准备流程如下

撰写前的准备工作

如果你的方法是由A\B\C三个部分组成，那你就把方法章节分成ABC三个部分就行了，但如果有你的方法有10多个步骤，你不可能把方法章节分成十几个部分（段落）。

方法的创新点是你的论文的卖点，因此不同的创新点决定了你论文不同的的写作风格。
举例：如果你的论文是将A方法用在B领域效果很好，那这个时候你要从应用的角度来写论文。首先你要说一下B这个领域为什么重要。然后要写为什么A适用于B（也就是A的哪些方法和细节对于处理B有奇效），从而使得A方法在B领域比其他方法都好（你的大部分篇幅都应该在 分析为什么A适用于B)。

举例2:假设你设计了一个新的神经网络模型， 他在很多机器学习领域上（数据集上）表现出了很好的效果。这个时候你就以技术为主，不要太注重分析与别的领域的结合，而是要分析你方法本身的原理，它是那一些层、那一些连接或者操作，使得模型可以提取出更好的特征。或者说模型在提取特征的时候鲁棒性更强。
举例3:如果你提出了一个数据库，那么这就跟方法又完全没有关系了，那在方法当中你就要介绍一下啊，你这个数据是怎么采的，它为什么有用？是不是别人没有这样的数据库，如果别人没有这样的数据库的话，你就要写出为什么别人不能采而你能采。你这个数据库对本领域的贡献有多大。如果之前已经有类似的数据库了，你就要说明其中的不同，以及用你的数据库的优势。

对于方法和细节，你闪光点和创新点的部分，你要写的最清晰， 这样别人更好懂，如果已有的，可以不用写太细，一笔带过即可。

撰写方法部分（英文写作结构）

2.1 方法部分的基本结构

方法步骤指的是：方法的各个环节。是顺序分节。（数据准备-特征提取-分类）（按照方法步骤是我常用的方法）

方法模块指的是： 网络的各个模块，一个网络中有一些模块可能是并列的，一些是顺序的，按照顺序和并列同时对模块进行分节。从而避免出现某一个长度很长的情况。

研究逻辑：比如说你的方法有三个分支，这三个分支有推导顺序，这三个分支没有顺序关系，也不是顺序化的模块，那么你就把这三个分支分别作为一节来写。

举例：按照研究逻辑来写

举例：

例如何恺明的残差网络，它的核心部分就是一个残差学习，并没有很多的模块或者说是步骤来分节，
3.1讲什么是残差学习
3.2 讲怎么实现残差学习
3.3 讲如何应用残差学习
3.4 讲应用
这个就是按照研究逻辑来分类。

举例：按照方法步骤分节

例子2:
按照方法步骤进行：预处理-特征提取-分类
部分应用类的研究论文都是可以按照方法步骤进行分节的。相反，如果你是做相对比较基础的研究，比如说是提出了一个新的损失函数、pooling层或者卷机层，你这样无法通过方法步骤或者方法模块进行分类，这时候你就像刚才上一个例子那样，通过研究逻辑对方法进行分节来写。

这个工具箱，有很多功能，2，3，4属于并列关系

2.2 方法部分的主要内容

方法细节、创新点以及和新贡献、研究痛点对于每篇论文来说，都是完全不同的，写作方式也完全不同，会在1V1课程中讲。（也可以从大量的文献阅读中积累经验）

第一段：方法的主流程

这篇例子，在开头就把方法的流程写出来了， 这里没有给总体图的原因就是，作者在前面给了，所以这里就给了方法的细节图，大家平时也要灵活使用。
再看下面这个例子：


开头就介绍了要干什么，方法章节前也有了框架图。

讲完了要把方法的主要流程，论文方法部分的第一段写好之后，我们再来聊一聊如何巧妙地使用图表，使我们的图表更加美观。使得读者更让容易理解，也能够吸引读者。

首先，我们知道在方法流程（也就是方法的第一段）的那一页，我们要放上方法的细节图（整体流程图）。在这张图之前，我们要在第一页或者第二页，放上一张广告图。
如果你设计了一个很有趣的网络结构，那么你的广告图可以是网络结构。如果你的方法流程图很吸引人，那你就放上方法流程图。甚至是图像效果图。

例如：

2.3 段落写作格式

上面，上来就先介绍了基于的技术。

三、introduction（介绍）

四、摘要和总结（abstract conclusion）

五、实验结果（result）

1准备工作

其中确认实验数据库和评价方法和指标，是我们需要写到实验章节中去的。

而确认方法创新点和确定需要做哪些实验是相互结合的，因为我们实验的目的就是来印证我们方法的创新点是有效而且可行的。所以我们首先需要根据实验结果来发现我们哪些创新点是有效的，这样把我们的创新点在实验章节的各个部分中强调起来。

最后呢，就是得到所有的实验结果，你可能会做几百组或者上千组实验来验证一个系统，但是你不可能把所有的实验结果都放在论文中，因为你的篇幅有限，所以我们只有在得到所有的实验结果之后，才能最终得到我们这个系统到底怎么样，或者说我们这个方法的效果到底如何。而且我们才能确定我们的哪些创新点是有用的。
因此我们需要选择一些实验结果，而不是所有的实验结果放到论文中。选择这些实验结果的目的就是来印证我们方法的有效性，来支持我们在论文中的论点，这就是准备工作。

评价指标（找类似论文用的即可）

1确定实验数据库

近年来大家都用的数据集，就是我们常选用的数据集。
如果投好期刊，最好用2-3个数据集，可以参考其他论文。

2确定大致需要做哪些实验、3确定方法创新

这些实验可以分为三个部分，前两个实验室必须要做的，第三个是选用。

1. 控制变量法（消融实验）：来判断我们的改进是否有用，控制其余变量不变，改进的地方使用传统方法和改进方法，看看有没有提升，如果有，就说明了创新的有效性。
2. art of start 对比，用表格展示
3. 用于突出论文中某些部分的优势

4 确定评价标准和指标

用这个方向的比赛或者标准型的论文中的评价指标，这样也会有利于你的评价指标和其他人的评价指标之间的对比。

5 得到所有的实验结果

一个研究的实验结果，可能有几百页或者上千页，不是全部都要用。
比如说你在做基于深度学习研究的时候，你可能有多组超参数，而每一组超参数得到的结果都是不同的，这个时候，你并不需要把所有的结果都放上去，你只需要把最好的那组或者那几组结果放上去就可以了。这样就能体现出你的方法最好的性能是多少。

小结

2撰写实验章节

在撰写实验章节中，我们会谈到实验章节需要包含哪些内容：

1. 实验设定：实验数据库、实验的度量标准、以及操作细节（包含你方法的预处理、你方法超参数的设定、以及你方法所依赖的软硬件平台和你的方法训练验证测试的一些设定等等）
2. 实验结果对比：方法与其他方法的对比；方法内部细节和创新点的对比分析；外部因素对于方法稳定性的影响，如方法的收敛速度和运行效率等等（这个可以不写）
3. 实验分析：通常在得到了部分实验结果后，就立即对实验结果进行分析，和实验结果糅合在一起。
   另外，我们还可以做一些额外的实验分析，比如说算法的收敛速度，在一些硬件平台上的计算速度。

1.实验设定

1. 数据库介绍怎么写

标签的类型也间接决定了我们用什么样的评价标准（指标）

其他tricks:很多作者隐藏了一些tricks就导致了论文无法复现

如果有多个数据库的话，可以用总分的形式，在第一段对所有的数据库的名称进行简单的介绍，然后在后面分多个段落用相同的格式对每一个数据库分别做介绍。

2. 实验评价标准怎么写

最简单的方式就像左边的，把它的名称（全程和简称）、由来、公式以及最后再把公式中每个字母的含义解释一下就可以了。

而右边有多种度量方式，此时除了按照简单方法说明为什么使用这些度量标注之外，还要说明用的原因是什么，用这两种的原因是什么，有什么优势。比如右边这个，MAE和RMSE是来检测真值和预测值之间的误差，而下面两种是来检测真值与预测值之间的相关性，这两种指标综合描述更加全面。

3. 实验操作细节怎么写

右边这篇论文，没有左边这个清晰。 建议按照左边这篇来写，训练设定和超参数设定可以混合在一起写。
如果大家还有篇幅的话，可以考虑把软硬件平台也写进去。因为硬件平台可以决定你这个方法的速度是什么样子的。

2.实验结果对比（怎么写）

例子一：
方法章节：

实验章节：

通常方法部分写了哪些，实验部分就要对哪些部分进行分析。

例子二：方法章节

实验章节：

3.实验分析（怎么写）

网络更深的影响如何？

其他包括：在硬件平台上的效率等

4.实验章节写作架构

操作细节和度量指标的顺序可以呼唤互换，没有问题。

实验结果一般包含两个部分，1 提出方法内部的重要细节、创新点、模块的对比分析，体现出你的哪些模块对你的实验结果更重要 2你的模型与其他已有的模型进行对比，来体现出你的方法在目前处于一个什么样的级别

最后呢，我们在有篇幅或者说有必要的情况下，加一些实验结果分析，这样会有很大的提升。

3回顾与总结