1.阅读第一篇论文

作为一个研一新生，科研新手，第一次阅读论文，应该如何入门？读一篇论文，应该抓住哪些重点？

(1)论文结构

①标题 (Title)
②摘要 (Abstract)
③引言 (Introduction)
④方法 (Method)
⑤实验 (experience)
⑥结论 (conclusion)
⑦关键词
⑧参考文献

(2)目标

看文献抓重点，只看你想要的东西

1.看模型实现了什么目标，拿什么实现的
2.摘要或引言里，看他自己说的创新点，然后在文章里找他怎么实现的这个创新点
3.先看摘要和结论，有些他们创新的算法要看挺久

2.使用GPT辅助论文的阅读与写作

1.用GPT简述内容，整理创新点，写综述，解析代码
①将几篇文章放上去，让GPT帮忙写成综述，将每篇论文用两句话总结，然后整理共同点和不同点。
②用传统的方式肉眼逐篇逐字去看，一些细节一开始很难看懂，有些专有名词不认识，需要一个个查，用GPT会方便理解。
③写毕设的时候，用GPT来写毕业论文的第一章很爽。
④用GPT来拓展思路也很有用。

3.专有名词

(1)架构

1.Transformer：Transformer模型架构是一种基于自注意力机制的神经网络结构。
2.Pytorch、TensorFlow：两种深度学习框架。2019年起，Pytorch逐步取代TensorFlow成为主流。

(2)网络

1.CNN：卷积神经网络。

在 Transformer 被广泛应用之前，CNN 是计算机视觉领域的主流架构，用于图像分类、目标检测、图像分割等任务。许多经典的视觉模型（如 ResNet、VGG、Inception 等）都是基于 CNN 的。

2.U-Net：基于CNN，主要用于生物医学图像分割。
3.ResNet：基于CNN，何凯明提出，为了解决深度神经网络中的梯度消失和梯度爆炸问题(解决深层网络退化问题)，使得训练更深的神经网络成为可能。ResNet 的核心思想：残差模块，残差学习。应用：图像分类、目标检测(Faster R-CNN)与图像分割(Mask R-CNN模型都采用ResNet作为特征提取的主干网络)、迁移学习(医学图像分析、遥感图像分类)

(3)机器学习

1.机器学习的两种主要学习方法：
①有监督学习(Supervised Learning)：一种机器学习方法，其中模型通过使用带有标签的训练数据来学习预测目标变量的关系。
②无监督学习(Unsupervised Learning)：使用未标记的数据，算法必须自行发现数据中的结构

2.baseline：在深度学习和机器学习中，baseline（基线）指的是在某项任务中用来作为参照的基础模型或标准方法。它为新模型的性能提供一个基准，以便评估新方法的改进效果或有效性。许多图像分割任务中，U-Net 经常被用作 baseline。U-Net 因其卓越的分割能力和易于实现的结构，已经成为医学图像分割、语义分割等任务中的标准模型。因此，很多研究都会使用 U-Net 作为 baseline，对比新方法在分割任务中的表现。

3.欠拟合与过拟合
①欠拟合 (Underfitting)：训练集和测试集表现很都差。因此模型太简单、训练数据不够。
②过拟合 (Overfitting)：训练集表现好，测试集表现差。模型记住了训练集的太多噪声。

4.训练集、验证集、测试集
①训练集 (Training Set)：模型训练
②验证集 (Validation Set)：模型调优
③测试集 (Test Set)：测试模型

4.文献翻译软件

1.知云文献翻译：知云官网：https://www.zhiyunwenxian.cn/

2.Zotero：
①Zotero官网：https://www.zotero.org/download/
②Zotero教程：文献管理利器Zotero的使用说明

3.ReadPaper
4.小绿鲸
5.直接搓pdf，然后不会的单词查字典

5.从哪里下载文献？

①dblp：dblp.org
②papers with code：paperswithcode.com
③arxiv
④维度学术

链接：如何在dblp官网下载外文文献

6.如何判断(你自己的)研究工作的价值or贡献【论文精读·李沐】

新意度 × 有效性 × 问题大小 = 价值

7.经典论文

(1)AlexNet 2012

(2)FCN 全卷积 2014

(3)ResNet：残差学习（Residual Learning）

(4)Attention is All You Need 2017

1.Transformer model的开山奠基之作，首次引入了自注意力机制(self-attention mechanism)：《Attention is All You Need》，2017年6月12日
讲解链接：https://zhuanlan.zhihu.com/p/673974803