如何阅读英文文献

1、每天还保持读至少2-3篇的文献的习惯.读文献有不同的读法.最重要的自己总结概括这篇文献到底说了什么,否则就是白读,读的时候好像什么都明白,一合上就什么都不知道,这是读文献的大忌,既浪费时间,最重要的是,没有养成良好的习惯,导致以后不愿意读文献.

2、每次读完文献 (不管是细读还是粗读), 合上文献后,想想看,文章最重要的 take home message 什么如果不知道,就从abstract, conclusion里找并且从discuss里最好确认一下这样一来一篇文章就过关了. take home message其实都不会很多基本上是一些concepts, 如果你发现你需要记得很多,那往往是没有读到重点.

3、扩充知识面的读法重点读introduction, 看人家提出的问题以及目前的进展 类似的文章每天读一两篇,一个月内就基本上对这个领域的某个方向有个大概的了解.读好的review也行但这样人容易懒惰.

4、为了写文章的读法, 读文章的时候尤其是看discussion的时候看到好的英文句型最好有意识的记一下,看一下作者是谁,哪篇文章,哪个期刊这样以后照猫画虎写的时候,效率高些.比自己在那里半天琢磨出一个句子强的多当然,读的多,写的多,你需要记得句型就越少.其实很简单,有意识的去总结和记亿就不容易忘记.

三、如何阅读文献 
1.
注重摘要:摘要可以说是一个论文的窗口。多数文章看摘要,少数文章看全文。真正有用的全文并不多,过分追求全文是浪费,不可走极端。当然只看摘要也是不对的。多数文章题目、摘要简单浏览后,直接把几个FigureTitlelegend一看,一般能掌握大部分。

2.通读全文:读第一遍的时候一定要认真,争取明白每句的大意,能不查字典最好先不查字典。因为读论文的目的并不是学英语,而是获取信息,查了字典以后思维会非常混乱,往往读完全文不知所谓。可以在读的过程中将生字标记,待通读全文后再查找其意思。
3.归纳总结:较长的文章,容易遗忘。好在虽然论文的句子都长,但每段的句数并不多,可以每一段用一个词组标一个标题。
4.确立句子的架构,抓住主题: 
 英文原版文献有窍门的。我们每个单词都认识读完了却不知他在说什么,这是最大的问题。在阅读的时候一定要看到大量的关系连词,他们承上启下引领了全文。中 国人喜欢罗列事实,给出一个观点然后就是大量的事实,这也是中文文献的特点,我们从小都在读这样的文章,很适应。西方人的文献注重逻辑和推理,从头到尾是 非常严格的,就像GRE里面的阅读是一样的,进行的是大量重复、新旧观点的支持和反驳,有严格的提纲,尤其是好的杂志体现得越突出。读每一段落都要找到他的主题,往往是很容易的,大量的无用信息可以一带而过,节约你大量的宝贵时间和精力。

5.增加阅读量: 
由于刚刚接触这一领域,对许多问题还没有什么概念,读起来十分吃力,许多内容也读不懂。后来随着阅读量的增加,最后可以融汇贯通。所以,对新手而言,应当重视阅读文献的数量,积累多了,自然就由量变发展为质变了。

四.提高阅读的效率 
1
集中时间看文献:
 
看文献的时间越分散,浪费时间越多。集中时间看更容易联系起来,形成整体印象。

2做好记录和标记: 
复印或打印的文献,直接用笔标记或批注。pdfhtml格式的文献,可以用编辑器标亮或改变文字颜色。这是避免时间浪费的又一重要手段。否则等于没看。

3阅读顺序: 
根据阅读目的选择合适的顺序。一般先看abstractintroduction,然后看discussion,最后看resultmethod(结合图表)。

五、文献的整理 
1.
下载电子版文献时(cajpdfhtml),把文章题目粘贴为文件名(文件名不能有特殊符号)

2.不同主题存入不同文件夹。文件夹的题目要简短,如:PDLTP,PKCNO
3.看过的文献归入子文件夹,最起码要把有用的和没用的分开。
4.重要文献根据重要程度在文件名前加001,002003编号,然后按名称排列图标,最重要的文献就排在最前了。而且重要文献要注意追踪。运气好,你可以得到更多的线索;运气不好,发现别人抢先了。据此修正你的实验。
六、英文文章写作 (阅读文献的副产品) 
1.
平时阅读文献,注意总结常用句型和常用短语(注意,文献作者必须是以英文为母语者,文献内容要与你的专业有关)。

2.3-5篇技术路线和统计方法与你的课题接近的文章,精读。

转载于:https://www.cnblogs.com/richelle009/p/4444536.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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