怎样读论文&论文和代码怎样结合|计算机科学期刊介绍

https://www.bilibili.com/video/BV1H44y1t75x?spm_id_from=333.999.0.0

1.title 2.abstract 3.introduction 4.method 5.experiments 6.conclusion

拿了100个模型把他融合起来做，就没什么意思了。就是炫技，把很多东西放在一起，不能给别人带来启发性。  模型上没有创新，更多是工程和技术上的创新     你可以效果不好，但你用了新的技术，那就是比模型堆叠要好

 

摘自上面链接的评论

第一遍：标题、摘要、结论。读完这三个部分，你大概知道论文在讲什么东西。可以看一看方法和实验部分重要的图和表。这样可以花费十几分钟时间了解到论文是否适合你的研究方向。判断是否要继续读下去。

第二遍：确定论文值得读之后，可以快速的把整个论文过一遍，不需要知道所有的细节，需要了解重要的图和表，知道每一个部分在干什么，圈出相关文献。觉得文章太难，可以读引用的文献。

第三遍：提出什么问题，用什么方法来解决这个问题。实验是怎么做的。合上文章，回忆每一个部分在讲什么。想象一下自己来做会怎么走。

 

感觉和我以前学课程的方法很像，第一遍2倍速过课程，了解框架重点，第二遍认真学，抓重点，搞细节，做习题，第三遍就是很轻松的复习了，一般在实践以后，再来看那些看起来理解了但又有新的理解，以及其前没有留意的地方，看起来很简短但又很深刻，可能被扩展，与其他部分有联系的地方

 

老师我想问问，如何将读论文和看懂代码相结合呢，我研究生入学一年了，论文看得也不少，但对于理解源代码，再加上融合自己的想法进行实现还是很困难，之后老师会结合代码讲论文吗？

你要理解原来算法的原理，精确到tensor(张量)过了某一层以后形状发生什么变化了。然后还要对你代码用到的框架有一定的认识，不需要到源码级别的认识，至少知道如何搭建一个基本的框架，一个tensor你能把它变着法转，哪里的参数不用梯度更新能够给他no_grad掉。完事儿找一个baseline，我相信这个你已经有了，但是不知道怎么改对吧。先跑通，跑通以后试验各种参数，比较结果，然后设断点，一步步debug，看tensor的shape变化，看调用了哪些函数。完事儿，找到最关键的主类或者py文件，也就是这份代码对应的论文的核心。这个时候如果你对代码框架有比较好的认识，其实有基础就行。你就看看从main函数开始，一直到调用这个主类模块，经过了哪些，就是数据怎么读取的，做了什么预处理，什么时候变换了属性和形状，到哪儿进入的网络，从这个点开始，基本就是你要修改的代码，如果你有思路修改，就复制一份你要修改的代码，手边准备一张纸，左边是原来的网络结构，右边你可以画你想的网络结构，先把代码中每一行在纸上网络结构对应上，可以直接标记行号，其实到这里，就知道最小的代码粒度和论文中算法最基础的“一步”对应关系。

 

我这里说的修改网路结构，其实你要是想改公式实现，想引入新的变量都差不多如此。因为在论文中，在你的理解中，不会精确到代码最小粒度，我说的代码最小粒度，就是你debug过程中每走一步的变化。当然你要是想随便搞一搞，就加点层数，扩宽宽度，在别人的基础上加点trick，还有一个思路，就是去找你这个方向，有关系的两个工作，就是最近的论文是在前一篇论文的基础上做的改进，时间间隔越短，关联性越强越好，这个应该不难吧。完事儿，两篇论文打印好，一左一右，找到对应的代码，最好用的同一框架，也用的相同数据集，这个应该很正常吧。两份代码也一左一右，然后照着读吧，论文理解透了以后，就在代码里找不同吧，看看最近这个作者怎么折腾前人的代码，最后，把这些代码改进的地方用你自己的语言记录下来，把最近这份代码关了，复制一份前人的代码，按照你记的改进的笔记，一条条用你的思路改，不要求一定完全相同，至少改完能跑起来，效果差点没事，万一你效果比最近这个作者还好，这可能就是一个改进的trick。

 

综上，给你泼点冷水，不要一上来就觉得自己看点论文跑点线程baseline就有好多想法，说白了都是laji，你要抱着这种心态看呆你实现不了的laji，然后抱着学习的心态看待前人工作，不要觉得我想了个新想法就一定比前人强，你也不要孤立的看待每一份工作，多找找关联，多找找不同，这些关联就是后人的idea来源，这些不同就是后人如何把自己的idea加到程序里。先去学，不要动不动就实现自己的idea，有了记下来，一个月你可能记下来100个，找个时间一个个划拉，划拉的时候这里边可能这个和那个能组合，最后就剩下一个了，再开始大干一场。这个过程中干嘛呢？就按我说的，找几篇人家的工作，论文过完就开始找代码的不同，你这样搞仨月再去实现自己垃圾堆中剩下的那个idea，才是一份有价值有意义的工作。不然你即使够呛学会改程序，也会迷失在你所谓的idea垃圾堆里。

 

https://blog.csdn.net/justinzwd/article/details/90721524?spm=1001.2014.3001.5501

一、计算机科学期刊介绍

计算机科学的publication最大特点在于：极度重视会议，而期刊则通常只用来做re-publication。大部分期刊文章都是会议论文的扩展版，首发就在期刊上的相对较少。也正因为如此，计算机期刊的影响因子都低到惊人的程度，顶级刊物往往也只有1到2左右----被引的通常都是会议版论文，而不是很久以后才出版的期刊版。因此，要讨论计算机科学的publication，首先必须强调的一点是totally forget about IF (IF指影响因子)。另外一点要强调的是，计算机科学的绝大多数期刊和大部分的“好”会议都规模非常有限。很多好的期刊一期只登十来篇甚至三四篇论文，有的还是季刊或双月刊。很多好的会议每年只录用三四十篇甚至二十篇左右的论文。所以，当你发现计算机的每个领域都有好几种顶级刊物和好几个顶级会议，不必惊讶。

整个计算机科学中最好的期刊为Journal of the ACM(JACM)。此刊物为ACM的官方学刊，受到最广泛的尊敬。但由于该刊宣称它只刊登那些对计算机科学有长远影响的论文，因此其不可避免地具有理论歧视（theory bias）。事实上确实如此：尽管JACM征稿范围包括了计算机的绝大部分领域，然而其刊登的论文大部分都是算法、复杂度、图论、组合数学等纯粹理论的东西，其它领域的论文要想进入则难如登天。另外一份在计算机科学领域有重大影响的刊物为Communications of the ACM (CACM)。从某种意义上来说，CACM比JACM要像Nature/Science很多。JACM上登的全是长篇大论，满纸的定义、定理和证明，别说 一般读者没法看，就连很相近的领域的专家都未必能看懂。而CACM则是magazine，既登高水平的学术论文和综述，也登各种科普性质的文章和新闻。即便是论文，CACM也要求文章必须通俗易懂，不追求数学上的严格证明，而追求易于理解的直觉描述。在十几二十年前，CACM的文章几乎都是经典。但最近几年，由于CACM进一步通俗化，其学术质量稍有下降。

IEEE Transaction on Computers为IEEE在计算机方面最好的刊物。但由于IEEE的特点，其更注重computer engineering而非computer science。换句话说，IEEE Transaction on Computers主要登载systems, architecture, hardware等领域的东西，尽管它的范围已经比大部分刊物要广泛。就刊物的质量而言，ACM Transactions系列总体来讲都高于IEEE Transactions系列，不过也不可一概而论。大部分ACM Transactions都是本领域最好的刊物或最好的刊物之一。大部分IEEE Transactions都是本领域很好的刊物，但也有最好的或者一般的。非ACM/IEEE的刊物中，也有好的甚至最好的。例如，SIAM Journal on Computing被认为是理论方面最好的期刊之一。

计算机科学方面的会议论文事实上起着比刊物论文更大的作用。大部分会议都是每年一次，偶尔也有隔年一次的。正规的会议论文需要经过2-4个甚至更多个审稿人的双向或单向匿名评审，并且所有被接收的论文会被结集正式出版。大部分ACM的会议都是本领域顶级的或很好的会议。大部分IEEE的会议都是本领域很好的会议，但也有顶级的或者一般的。会议的档次通常可以通过论文录用率表现出来。顶级会议通常在20%左右或更低，有时能达到10%左右。我所知道的最低的录用率为7%。很好的会议通常在 30%左右。达到40%以上时，会议的名声就很一般了。60%以上的会议通常很难受到尊敬。但也有例外。大名鼎鼎的STOC(ACM Symposium on Theory of Computing)录用率就达到30%以上，但它毫无疑问是理论方面最好的会议。造成这样的情形，主要是因为理论方面的工作者不多，而大部分人对 STOC又有一种又敬又怕的心理。