对神经网络某一层做了小改进,效果却提升显著,可以发论文吗?

点击上方,选择星标置顶,每天给你送干货

阅读大概需要4分钟

跟随小博主,每天进步一丢丢

知乎:青春没有终点

编辑:深度学习自然语言处理公众号
链接:见原文链接

学术分享,侵删~

如果你的"小改进"只是把5*5卷积核变成3*3这种,下面的内容就不用看了。

结论是,可以发论文,只是论文的档次就取决于你的能力了。

看过《中国好声音》和《中国梦之声》这种节目吧,和投论文是一样的。

一般来说,一个很容易令人接受的参(tou)赛(gao)者,需要具备包括但不限于以下几个因素中的其中一部分因素:

1. 流畅的故事

"1982年的一个夜晚,伴随着突如其来的雷声,一个伟人诞生了,他就是大名鼎鼎的企业家:王布斯。

令人惊讶的是,第二天他就学会了喊爸爸妈妈,不到10天的时间竟然背下了唐诗三百首,出满月那天,他竟然喝倒了三桌的客人。

王布斯一岁的时候,因为常年酗酒,得了肝癌,被狠心的父母扔到了大山深处。还好,一公一母两只狼经过一番搏斗,王布斯打倒了公狼,母狼被他的气质折服,收留了他,才使得一代伟人没有因此夭折。现在西伯利亚还有这只母狼的雕像。所以,8岁以前,王布斯一直以为自己是一只狼。"

(以上转自《王布斯传》)

只有这样的故事,才能打动裁判和观众。

同样,你的论文也要有完整的思路,比如研究现状+痛点+切入点+方法+好处,一气呵成。

2. 充分的证据

参赛者在陈述完自己感人的一生后,镜头一般会切到亲自到现场助阵的父母,或者让几个亲朋好友出来露个脸,把你从小到大的感人事迹念叨念叨。邻居也不要放过,最好还能找几个路人甲路人乙,仇人都能请过来就更牛掰了。

论文也是如此,fancy的idea再加上一点理论分析和证明,是不是看起来更加有说服力了。

3. 惊艳的展示

无论你的故事如何优雅,无论亲朋好友如何挺你,都不能够说明你真的具备这种能力。是骡子是马拉出来溜溜,倒是唱两句证明一下你吹下的牛逼。于是,伴随着你动听的歌喉,梦想导师就转身了。

而你的论文,则需要做充足的实验,你为自己方法吹下的任何一个牛逼,都要设计实验验证。

4. 爸爸

你以为你很有才华就能参加《中国好声音》吗?恐怕没那么简单。一般来说,要么就是爸爸很有钱,要么就得"爸爸"很有钱[滑稽]。

投论文也是,最好有个大牛加持,他的学识和人脉,总会对你论文的润色和投稿产生帮助。当然这个就是锦上添花了,其实可有可无。

接下来,是关于你的成果。

"对神经网络某一层做了小改进,效果却提升显著,可以发论文吗?工作量是不是太少了"

1.故事

你能为你的"小改进"找到一套合适的理论进行包装吗?你能够挖掘出你的"小改进"的意义所在吗?

2.你在一种样本集上"效果却提升显著",那么在其他样本集上呢?如果把你的改进放到另一个网络结构上,还会有提升吗?你能够设计实验再证明一下你故事中的"理论"和"意义"吗?

3. 证据

有能力最好从某个角度证明一下你的idea,哪怕只证明一下你idea的一部分,哪怕用比较简单的理论证明。尤其是现在你这种情况,只有一个idea,还是需要扩充一下论文内容的。

4. 爸爸

我猜你没有大牛加持,否则也不会来这问了。

以上。





下载一:中文版!学习TensorFlow、PyTorch、机器学习、深度学习和数据结构五件套!

后台回复【五件套】
下载二:南大模式识别PPT

后台回复【南大模式识别】




说个正事哈

由于微信平台算法改版,公号内容将不再以时间排序展示,如果大家想第一时间看到我们的推送,强烈建议星标我们和给我们多点点【在看】。星标具体步骤为:(1)点击页面最上方“深度学习自然语言处理”,进入公众号主页。(2)点击右上角的小点点,在弹出页面点击“设为星标”,就可以啦。
感谢支持,比心。投稿或交流学习,备注:昵称-学校(公司)-方向,进入DL&NLP交流群。
方向有很多:机器学习、深度学习,python,情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。记得备注呦

推荐两个专辑给大家:专辑 | 李宏毅人类语言处理2020笔记专辑 | NLP论文解读专辑 | 情感分析

整理不易,还望给个在看!
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 卷积神经网络(Convolutional Neural Network, CNN)是一种常用的深度学习模型,它在计算机视觉领域取得了巨大的成功,并逐渐拓展到其他领域,包括文本分析。 文本分析是自然语言处理(Natural Language Processing, NLP)领域的一个重要研究方向,它旨在利用计算机程序来分析、理解和生成人类语言。 基于卷积神经网络的文本分析的展历程可以分为几个阶段。 - 初期(2014 年前后):在这个时期,CNN 在计算机视觉领域取得了巨大的成功,并开始被拓展到 NLP 领域。其中,最著名的工作可能是 Kim (2014) 的论文《Convolutional Neural Networks for Sentence Classification》,这篇论文提出了一种将 CNN 应用于文本分类任务的方法。这项工作引起了广泛关注,并成为了后来 NLP 领域中 CNN 的研究的基础。 - 中期(2014 年至 2016 年):在这个时期,基于 CNN 的文本分析方法逐渐成为了 NLP 领域的主流,并在许多任务中取得了最优秀的效果。在这个时期,研究人员也开始尝试将 CNN 应用于更多的 NLP 任务, ### 回答2: 基于卷积神经网络(Convolutional Neural Network,CNN)的文本分析是自然语言处理领域的重要研究方向。它通过卷积操作、池化以及全连接层等组成的网络结构,可以对文本进行自动的特征学习和分类。 在文本分析的展历程中,CNN的运用开创了一种基于神经网络的新方法。最早将CNN用于文本分类的工作是Kim(2014)的论文,该研究采用了预训练的词向量以及多尺度的卷积核来处理文本,取得了较好的分类性能。之后,一系列的研究工作对CNN进行了改进和扩展。 针对文本序列的长距离依赖关系,Zhang等人(2015)提出了TextCNN模型,利用多个不同尺寸的卷积核对文本进行卷积操作,增加了模型对不同长度文本的敏感性。为了进一步提高性能,一些研究者引入了注意力机制,例如,Lin等人(2017)提出的基于注意力机制的TextAttCNN模型能够自动关注关键信息,提升了文本分类的准确率。 除了文本分类,CNN在文本生成领域也取得了较大的进展。Zhao等人(2017)提出了基于CharCNN的文本生成模型,通过对字符级别的卷积操作来生成文本序列,实现了语言的自动创作。 最近,随着深度学习的展,一些研究者将CNN与注意力机制、循环神经网络等结合起来,取得了更好的结果。例如,Yang等人(2016)提出的HierCNN模型将卷积神经网络与LSTM结合,实现了对文本的层次化建模。 总结来说,基于CNN的文本分析经历了从最初的文本分类到文本生成的转变,同时还融入了注意力机制、层次化建模等技术,取得了显著的进展。未来,人们对基于CNN的文本分析研究仍然充满了期待,相信会有更多的创新和突破。 ### 回答3: 基于卷积神经网络(Convolutional Neural Networks,CNN)的文本分析在过去几年中取得了显著展。该方法通过提取文本中的局部特征来捕捉文本的语义信息。 CNN最初是在图像处理领域中应用的,但随着深度学习的展,研究者们开始将其应用于文本分析中。最早的尝试是对单个词汇进行卷积操作,但这种方法的效果不理想。后来,研究者们将CNN应用于词向量序列,通过卷积和池化操作来捕捉词序列的局部特征。 现如今,基于CNN的文本分析已取得了很多进展。研究者们通过改进卷积神经网络的结构和参数设置,进一步提高了文本分析的性能。例如,引入不同的滤波器尺寸可以捕捉不同长度的局部特征,增加卷积层数可以提取更抽象的语义信息。此外,还有一些改进方法,如多通道卷积神经网络,在不同的维度上并行处理文本,进一步提高了性能。 近年来,基于CNN的文本分析已广泛应用于自然语言处理的各个领域。例如,文本分类、情感分析、命名实体识别等任务都取得了令人满意的结果。此外,CNN还可以与其他深度学习方法结合,如循环神经网络(Recurrent Neural Networks,RNN),来进一步提高文本分析的性能。 尽管基于CNN的文本分析已取得了很多进展,但仍存在一些挑战和问题。例如,因为CNN只考虑了局部信息,对于长文本的处理可能会有信息丢失。另外,中文的语义复杂性也给中文文本的分析带来了一定的困难。因此,未来的研究方向可以进一步探索如何应对这些挑战,提高文本分析在实际应用中的效果

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值