吴恩达的课上完了？如何科学开启你的深度学习论文阅读生涯

2018 年 8 月 27 日 大数据文摘

大数据文摘出品

编译：睡不着的iris、Zhifu、Hope、CoolBoy

当你阅读了深度学习相关的书籍或者上过精彩的在线课程后，你将如何深入学习？如何才能够“自力更生”，独立地去了解相关领域中最新的研究进展？本文作者Nityesh Agarwal，毕业于贾达普大学，在学校里学习过信息技术，现在作为志愿者为开源社区做贡献。以下是作者第一人称给出的建议。

事先声明——我不是深度学习方面的专家。我也是最近才开始阅读研究论文的。本文将会介绍我自己在开始阅读文献的时候积累的一些经验。

意义所在

曾经有人在Quora上提问，如何才能鉴定一个人是否有资格从事机器学习工作。谷歌大脑创始人之一、百度人工智能小组前负责人吴恩达（Andrew Ng）如是说：任何人都有资格。当你上过一些机器学习相关的课程后，想要更进一步时，可以阅读一些研究论文。最好能做到重现论文中的方法，得到相似的结果。

OpenAI研究者达里奥·阿莫迪（Dario Amodei）对这个问题的回答是：“为了验证你是否适合在人工智能安全或者机器学习领域工作，请快速尝试使用各种模型。在近期的一篇论文中找到一个机器学习模型，运用这个模型，并尝试让它快速运行起来。”

这些都说明阅读研究论文对于进一步理解该领域至关重要。

在深度学习领域，每个月都会有数百篇论文被发表。如果要做到认真地学习，仅凭借学习教程或者上课是远远不够的。在你读文章的时候，新的突破性研究正在进行中。深度学习领域的研究正以前所未有的迅猛速度发展着。只有养成良好习惯，持续阅读科研文献，才能跟上节奏。

本文中，我会教大家如何独立阅读一篇论文，并提供一些切实可行的建议。然后，在文末我会带大家破解一篇真实的科研论文，让大家能够进行实践。

方法建议

首先，阅读科研论文很难。事实上——“没有什么事情比阅读科研论文更令你感到愚蠢了。”

我这么说是为了让你在读文章百思不得其解的时候，不要感到气馁。开始读了好几遍的时候，可能你还是不能够理解文章的意思。没事，请坚持下去，再读一次！

现在，我们介绍一些有助于文献阅读的宝贵资源。

arXiv.org

这是在互联网上大家发表文章的一个地方，充满了一些尚未在知名期刊正式发表的文章（这些文章也可能永远无法正式发表）

他们为什么要这么做？

事实证明，做研究和写文章并不是科研的全部！将论文提交并发表在某些科学期刊上是一个相当漫长的过程。一旦论文被提交至某个期刊，就会进入非常缓慢的同行评审过程（有些甚至需要多年的时间！）。当下，对于机器学习这些快速发展的领域，这种速度真是让人无法忍受。

这就是arXiv出现的意义！！！

研究人员将他们的论文发表在arXiv这样的预印库上，以便快速发布他们的研究并获得及时的反馈。

Arxiv Sanity Preserver

研究人员能够便捷地提前发表研究论文是好事情，但是对于读者来说呢？当你打开arXiv的网站，很容易感到害怕、渺小和迷茫，认为这绝对不是新手该来的地方（仅个人观点，但非常欢迎你使用它☺）。

输入Arxiv Sanity Preserver。

这是由特斯拉的人工智能部门主管Andrej Karpathy创建，他是我个人非常喜欢的AI大神。

Arxiv Santiy在arXiv的作用与Twitter的信息流在Twitter的作用相似（不过Arxiv Sanity是完全开源的，而且没有任何广告）。从浩如烟海的微型博客中， Twitter的信息流会根据个人喜好为你推送有趣的微型博客。

Arxiv Sanity采用类似的方法，为你推荐arXiv上你可能最感兴趣的机器学习论文。使用Arxiv Santiy，你可以根据当前趋势、你的过往喜好和你所关注的人的喜好对论文进行排序。（这就是在社交媒体上我们已经习惯使用的个性化推荐功能。）

关于网站的简介可以浏览这个视频☝

机器学习：Reddit上的WAYR主题帖

WAYR是What Are You Reading（你正在阅读什么）的简写。它是Reddit机器学习板块的一个主题帖，大家把自己本周读过的机器学习论文发布在上面，并对感兴趣的问题展开讨论。

正如我之前所说，每周有非常多关于机器学习领域的论文被发表在arXiv上。对于需要兼顾日常生活的正常人，每天需要上学、工作或与人沟通，不可能每周都把所有的论文读完。另外，并不是所有的论文都值得花时间去阅读。

因此，你需要把精力放在最有意思的论文上，上面我提到的主题帖就是一种方法。

电子报刊，电子报刊，电子报刊！

电子报刊是我的个人最爱，通过它我可以时时刻刻追踪人工智能领域最新的进展。你可以非常简单地订阅它们，并且让它们每周一传送到你的电子信箱里面，不用花一分钱！就这么简单，你就可以了解本周与AI相关的最有意思的新闻、文章和研究论文。

以下是我目前订阅的一些电子报刊：

1.Jack Clark的引入AI

https://jack-clark.net/

这是我的最爱，因为这份电子报刊除了提供我上面提到的所有信息以外，它还包括一个叫做“科技童话”的部分，包含一篇由过去一周的新闻主题编辑的AI科幻短篇小说。悄悄地告诉你，即使有那么几周我对AI的新进展失去热情，我也会因为想看科技童话这部分而浏览这个电子报刊

2.Sam DeBrule的机器学习

https://machinelearnings.co/

作者还有一本同名的媒体出版物，其中包含了一些非常有趣的文章，请务必查看。

文章链接

https://machinelearnings.co/a-humans-guide-to-machine-learning-e179f43b67a0

3.Nathan Benaich的Nathan.ai

https://www.getrevue.co/profile/nathanbenaich

前两份电子报刊都是周报，而这份是季刊。因此，每隔三个月你会收到一封长长的电子邮件，里面总结了过去三个月以来AI领域最有趣的发现和发展状况。

4.Denny Britz的AI狂野一周

https://www.getrevue.co/profile/wildml

我个人真的很喜欢这份电子报刊，因为它的版面很干净，演示很简洁，不过近两个月以来好像没有继续更新了。无论如何，给大家一个参考，希望Danny什么时候再恢复更新。

5.Twitter上面的AI大V

另一个可以追踪时新的方法是关注知名研究者和开发人员的Twitter账户。以下是我关注的人员列表：

Michael Nielsen
Andrej Karpathy
Francois Chollet
Yann LeCun
Chris Olah
Jack Clark
Ian Goodfellow
Jeff Dean
OpenAI

听起来都很不错，但是我应该怎么开始呢？

是的，这是一个更加迫切的问题。

好的，首先你需要确保自己已经了解了机器学习的相关基础知识，例如回归等算法；你还需要知道一些深度学习的基本知识，比如最基本的神经网络，反向传播，正则化。

最好还能够稍微了解难一些的概念，例如ConvNets、RNN 和LSTM是如何工作的。我真心不觉得阅读研究论文是了解这些基础知识的最好的方法，有很多其它的资源可以供你参考。

一旦有了基本的了解，你首先应该阅读一篇相关的论文。这样，你就可以专注地熟悉学术论文的基本格式和体裁。你并不需要完全读懂你阅读的第一篇学术论文，因为你对论文的主题已经非常熟悉了。

我建议你先从讲述AlexNet的论文开始。

链接：

https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks

为什么选择这篇论文？

请看下面的这张图：

你看见代表Computer Vision and Pattern Recognition的红线从2012年之后飙升得非常明显了吧？这种情况很大程度上要归功于这篇论文。

这篇论文重新点燃了人们对深度学习的所有兴趣。

由Alex Krizhevsky，Ilya Sutskever和Geoffrey Hinton撰写，题为《ImageNet Classification with Deep Convolutional Networks》的这篇论文被认为是该领域最具影响力的论文之一。这篇论文描述了作者如何使用名为AlexNet的卷积神经网络，并赢得2012年度ImageNet大规模视觉识别挑战赛（ILSVRC）的冠军。

如果你不太了解情况，让我来为你解释一下。让计算机能够观察和识别对象（又名计算机视觉）是计算机科学最早的目标之一。 ILSVRC就像是这个领域内的奥运会。参赛者（计算机算法）试图将图像正确地归为1000个类别的其中一个。在2012年，AlexNet以绝对巨大的优势赢得了这一挑战：

AlexNet以15.3%的top-5（模型预测概率的前五位包含目标物体）错误率荣登榜首，而第二名的错误率则只有26.2%！

ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) 2012 大赛测试集和验证集的错误率比较。斜体结果表示其他方法得到的最有结果。带星号*的结果是用“预训练”的模型来识别ImageNet 2011 Fall样本的结果。