【How2Research（一）】深度学习方向的论文有 idea，如何工程实现？

---

前言

• 该系列将收集整理各科研大佬的 Research 方法论。
• 本文为 知乎上高赞回答 的总结梳理，并制作脑图如下，以便于理解消化。

---

---

一、选择 Baseline 论文

在刚接触深度学习时，不要急于自己写代码。可以从众多论文中挑选一到两篇作为 Baseline。这些Baseline应该具备以下特点：

1. 开源代码和完整文档：确保论文提供了开源代码和详细的文档（如README）。如果代码在GitHub上的星数较多（最好 200+ star），说明有较多用户使用和认可。
2. 最近发表：选择发表时间在近两到三年的论文，避免使用过时的代码和框架。
3. 清晰的公式：论文中的公式应清晰明了，方便你将理论转化为代码。当明白了如何把理论的公式转化为代码时，基本就上道了。

二、深入阅读 Baseline 代码

找到合适的Baseline论文后，开始深入阅读和使用其代码。提高代码能力的最好方法是阅读别人写的优质代码。具体步骤如下：

1. 配置环境：按照GitHub文档配置好开发环境。现在配置环境相对简单，PyTorch和TensorFlow都很易用。
2. 运行代码：根据README下载数据并运行脚本，确保训练流程能顺利跑通。若出现错误，通常是库版本不兼容导致的。
3. 调试代码：使用 IDE（如PyCharm，VsCode）进入调试 Debug 模式，逐步查看代码，结合论文和API文档理解每一步的实现。重点看每步的输入输出形状或值。通过这种方式，你会对深度学习的完整流程有更深入的认识。

建议多跑几遍不同的Baseline代码，并记录下大概流程。

三、搭建自己的Pipeline

1. 对于初学者：可以选择一个好的Baseline作为基础代码，并在其上进行修改。首先修改数据读取和预处理部分，确保Baseline的模型能在你的数据上正常运行。
2. 熟练后：可以根据特定任务从头搭建整个Pipeline，包括数据I/O、预处理、模型搭建、损失函数定义、训练与验证、测试等。

四、融入自己的算法

经过上述步骤后，你已经对深度学习的训练和预测流程有了较为清晰的认识。现在可以开始将自己的想法加入Pipeline中。通常，这包括提出更好的模型或训练机制。

1. 模型搭建：在网上找到类似架构的代码作为参考，例如做轻量级图像分割时可以借鉴UNet。
2. 测试模型：在将模型加入Pipeline前，先用随机的Tensor进行推理，检查输出的形状是否正确。