方法论-提升paper阅读效率

最新推荐文章于 2024-10-20 22:21:06 发布
最新推荐文章于 2024-10-20 22:21:06 发布
阅读量135 收藏
点赞数
分类专栏： paper 文章标签： 深度学习 paper
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41273406/article/details/118411413
版权

本文章仅仅为记录本人学习过程的笔记，侵权删。
视频地址：https://www.bilibili.com/video/BV1zf4y1y7g6?share_source=copy_web

1. 为啥读论文（why）

在这里插入图片描述

2.读哪些论文（what）

1.论文类型

在这里插入图片描述

先读综述论文，再读专题论文

2.论文质量

在这里插入图片描述
此网站包含代码复现的论文:https://paperswithcode.com

3.如何找论文（how)

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

4.如何整理论文（how）

1.少量论文管理方式

在这里插入图片描述

2.借助论文管理软件

在这里插入图片描述

5.如何读论文（how）

不同的类群

在这里插入图片描述

三部曲

1.泛读

在这里插入图片描述
在这里插入图片描述

2.精读

在这里插入图片描述

3.总结

在这里插入图片描述
启发点最关键

读完评测

在这里插入图片描述

论文结构

在这里插入图片描述

论文代码复现

在这里插入图片描述

6.学习路径

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

如何学习NLP

1.为什么要学习自然语言处理

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.为什么要读论文

在这里插入图片描述
在这里插入图片描述

3.自然语言处理发展方向

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.技术演化路径

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5.学习路径推进

在这里插入图片描述
在这里插入图片描述

会议：

ACL ： （CCF-A）
EMNLP：（CCF-B）
NAACL：（CCF-C）

基础知识：
在这里插入图片描述
在这里插入图片描述

qq_41273406
关注
专栏目录
AI-Paper-Drawer：人工智能论文关键点集结。该项目旨在收集AI论文的关键点
02-03
AI-Paper-Drawer可能包括了这些技术的创新应用和改进方法。 4. 强化学习（RL）：RL是AI的一个重要领域，通过不断与环境交互，学习最优策略以最大化长期奖励。这个项目可能包含DQN、A3C、PPO等算法的研究，这些在...
interaction2015-paper:互动2015-论文
07-07
论文可能涵盖了界面布局、色彩理论、图标设计等方面，以及如何通过设计提升用户理解和操作效率的方法。 4. **评估与实验方法**：在交互设计领域，评估用户反馈和进行实验验证是至关重要的。论文可能介绍了不同的...
效率提升3倍的Paper阅读方法
紫芝的博客
02-16 594
视频链接：https://www.bilibili.com/video/BV1Q4411R7cY 效率提升3倍的Paper阅读方法1 为什么要读论文构建知识体系紧跟前沿技术培养科研逻辑写论文面试找工作2 读哪些论文2.1 论文类型角度综述论文专题论文2.2 论文质量角度高质量期刊会议高被引论文知名团队有代码论文3 如何找论文4 如何整理论文5 如何读论文读论文的困境三步曲：泛读、精读、总结泛读精读总结回答三个问题论文结构论文代码学习方法6 Paper学习路径 1 为什么要读论文 构建知识体系 通过Rel.
[论文阅读] RSS2023 Paper Sessions概况
qq_33673253的博客
03-05 1597
一、Human-Centered Robotics Follow my Advice: Assume-Guarantee Approach to Task Planning with Human in the Loop： Autonomous Justification for Enabling Explainable Decision Support in Human-Robot Teaming：人机协作中自动agent提供可解释的建议 Enabling Team of Teams: A
论文精读--GPT3
m0_73202283的博客
02-25 1673
最近的工作表明，通过在大量文本语料库上进行预训练，然后在特定任务上进行微调，在许多NLP任务和基准上取得了实质性的进展。虽然在体系结构中通常与任务无关，但这种方法仍然需要特定子任务的数千或数万个示例的微调数据集。相比之下，人类通常只需要几个例子或简单的指令就能完成一个新的语言任务——这是目前NLP系统在很大程度上仍然难以做到的。在这里，我们表明，扩展语言模型极大地提高了任务不可知的、少数镜头的性能，有时甚至达到了与先前最先进的微调方法的竞争力。
Latent Diffusion（CVPR2022 oral）-论文阅读
持续关注并分享目标检测、数据生成、视频驱动、跨模态、分割、关键点等领域前沿技术
04-08 2236
LDM，CVPR22022 oral。作者提出的LDM在不降低质量情况下，大幅提升扩散模型训练及采样效率。在多个有条件图像生成领域，不需要特定任务结构基于cross-attention有条件机制即可达到SOTA或接近SOTA效果。
DALL·E 2 论文阅读笔记
Iron_lyk Blog
03-11 5630
DALL-E 2 论文阅读笔记。图像生成、AE、VAE、VQ-VAE、DALL-E、Diffusion model
论文解析------ViLT
m0_73641495的博客
02-20 1146
关于ViLT此篇论文的粗浅解析
【论文阅读】（20230410-20230416）论文阅读简单记录和汇总
mqy19960330的博客
04-11 1655
2023.04.10-2023.04.16论文阅读记录，含CVPR 2023最新INR文章
【论文阅读】Animate Anyone: Consistent and Controllable Image-to-Video Synthesis for Character Animation
weixin_57974242的博客
12-21 1952
动画化Anyone：用于角色动画的一致且可控的图像到视频合成。
【论文阅读笔记】Mip-NeRF 360: Unbounded Anti-Aliased Neural Radiance Fields
weixin_43357695的博客
01-04 2657
MipNeRF360是在NeRF++和MipNeRF的基础上进行的扩展，利用NeRF++提出的远景参数化技巧和MipNeRF的低通滤波思想同时实现了无界场景的高质量渲染与抗锯齿。现有方法在新视角合成方面取得了令人影响深刻的结果但是现有方案由于附近和远处物体的细节和比例不平衡导致模糊和低分辨率渲染场景参数化在线蒸馏和一种失真正则化来克服抗锯齿和无界场景渲染目标场景是相机围绕一个点旋转360度的场景，同时能够得到较低的误差和更好的渲染质量、更详细的深度图使用一种新颖的类卡尔曼场景参数化。
多模态系列论文--CoCa 详细解析
lansebingxuan的专栏
07-08 2667
CoCa代表Contrastive Captioners的缩写，代表模型用两个目标函数训练出来的，一个是Contrastive Loss，一个是Captioning Loss。本文因为数据集更大，模型也更大，所以它的效果很好，在多模态所有的任务均SOTA，而且在单模态里，在ImageNet上也得到了90以上的Top1准确度，在视频动作识别领域，在Paper with Code上CoCa在K400、K600、K700这些数据集上排名前三。
paper-阅读论文合集
04-13
综合以上信息，我们可以推断这个“paper-阅读论文合集”是一个系统性的学习资源，对于从事IT行业的人来说，它可以帮助跟踪研究趋势，深入理解关键技术，提升个人的专业素养。通过定期更新和整理这个合集，可以持续...
第2届Mathorcup数学建模竞赛优秀论文-Paper-Commitment.doc
03-21
### 第2届Mathorcup数学...综上所述，Mathorcup数学建模竞赛是一项极具挑战性的学术竞赛活动，不仅能够提升学生的综合素质，还能为相关领域的理论研究和实践应用提供有价值的参考。希望以上内容能对参赛者有所帮助。
MetaLearning4NLP-Paper：有关在NLP领域中应用的Meta一次性学习方法的最新论文列表
02-03
元学习方法可以提升对话系统的适应性，使其在面对用户的新需求或新场景时能迅速调整，减少对大量标注数据的依赖。 **论文收集** "MetaLearning4NLP-Papers-master"可能是一个包含多篇关于元学习应用于NLP的论文...
深度学习-1：逻辑回归和梯度下降
m0_58285219的博客
10-20 198
我们想要得到该输入是猫图的概率，也就是希望y_hat是一个0-1之间的值，但w.T*x+b所得值往往不为0-1之间的概率，所以使用sigmoid函数对w.T*x+b进行变换，输出一个概率值，w.T*x+b越大，输出概率越接近于1。学习算法旨在学习到合适的w和b使J获得最小值，对w和b进行初始化后，利用梯度下降法对w和b进行更新，以获得最小的J值。J，dw1,dw2,db作为累加器，记录一次迭代中多个样本损失，梯度总和，然后求这些值的平均值，对参数进行更新。以下图为例，将使J值最小的W值成为Wmin。
深度学习-2：数据向量化
最新发布
m0_58285219的博客
10-20 71
在逻辑回归中，x,w,b都是列向量，若要计算w.T*x+b，不向量化的话就需要for循环计算起来很麻烦。向量化后，使用numpy.dot(w,x)函数即可快速计算。
深度学习：卷积神经网络（CNN）详解
m0_73640344的博客
10-14 2449
卷积神经网络（CNN）通过引入卷积层、池化层和全连接层，利用权值共享、局部感受野和平移不变性，成为处理图像和视觉任务的强大工具。其多层次特征提取的能力使其能够从低级到高级捕捉数据中的重要模式。尽管CNN在视觉任务中表现出色，但其在捕捉全局信息和处理长距离依赖上存在一定局限，促使了包括ResNet、Inception等在内的各种改进模型的发展。
卷积神经网络
m0_60315436的博客
10-20 414
在当今人工智能的浪潮中，卷积神经网络（Convolutional Neural Network，CNN）无疑是一颗璀璨的明星。它在图像识别、语音处理、自然语言处理等众多领域取得了巨大的成功，极大地推动了人工智能技术的发展。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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