算法工程师与读论文

蔚落 2022-09-15 13:59 251阅读 0赞

![73d637df4e544c0fb7acff88d2420fc1.png][]

这是「车車ccc」的第 5 篇分享

共2107字，阅读本文大概需要6分钟

# 算法工程师是否应该持续读论文？ #

对于这个问题，我估摸很多人都有疑问。

我说点我的看法

分两种情况

如果你是research方向的，基本上不管业务，那每天的工作内容可能就是读论文，总结，找idea。

之后去实验，再继续读，之后再找其他paper中没有解决的point，之后继续反复，顺利的话，最终做出牛逼的实验，发出顶会，完成research的前沿研究工作。

这个时候读paper，主要是为了抓住前沿的进程，寻找灵感和idea。

如果你是业务方向的算法“工程师”，每天和业务打交道，那可能大多数的时间并不在模型上，而是在找case，clean数据，以及数据整合，建立数据集等种种事情上，但当这些都搞定，最终定下输入输出，最终如何解决的时候。

这个先前的工作可能也是读读相关或者类似的论文进行一波先简单的实践操作，看看效果，之后再反复迭代。

但这个时候读论文的目的是如何把论文中的某个方法落地到目前的这个现实背景中去。

所以以上两种因为目的的不同可能在某些读的方面侧重点也不一致。

举个例子，前者可能要追一些更加新颖的方法，而后者可能要先追一些比较相似背景下的简单方法先快速实现。

但不变的是，都需要读一些论文，所以算法工程师还是要持续读论文的，不过不同的背景下，目的不一样。

**并且读论文也要讲究一些方法的。**

先推荐几个我可能没事会逛逛的网站

**https://aideadlin.es/?sub=ML,CV,NLP,RO,SP,DM**

![143cc6bdae8eb01cee4b0420e4bcc4d8.png][]

上面会有一些顶会的deadline日期

**https://paperswithcode.com/**

![746982c49a41502b37a5a5131188cf59.png][]

可以去找一些开源数据集，根据你的需要

其实很多paper会把code的链接贴在paper上，但很多是没有的，如果复现能力一般的同学，前期还是尽量看是否有一些官方或者非官方的复现code，这个网站可以直接在查论文的过程中看到这些资源还是很省事的。

![167f9d4cc3794acedcfffb56801df4a6.png][]

可以找一下论文，上面标有直接的code github链接和paper链接

最主要的是，也是我觉得比较赞的一点在于，深度学习框架有很多，每个人擅长的，喜欢用的，需要用的可能也不一样，这个网站在找的过程中，基本上就可以看到

![2028f97424736c2360dc951874e2a71a.png][]

task和框架类型一目了然，比较方便。

**https://www.semanticscholar.org/**

![a2425ea1691c06983e6b80c4c217bc2a.png][]

这个网站基本上属于我平时看论文的过程中最喜欢的一个网站。

这个网站的用法就是最好先找一个文章，根据这个文章，如图所示，会把对应的这篇文章的本身参考，以及引用这篇文章的文章，以及相关的一些领域的文章都会直接出来。

利用这个网站，我可以把我比较在意的一篇paper的一些相关paper找出来，比如我业务上需要一个场景，我突然发现了一篇，那怎么短时间内发现更多的这种背景或者方向的呢，用这个网站看一下就比较容易且清晰。

**https://arxiv.org/**

![48ee7c6b62b6e58b70815a904a94a965.png][]

这个网站大家肯定不陌生，感觉基本上大部分找论文，最终还都是在这个网站上免费下载了，这个网站本身的作用和地位我也不多说了。

**https://xs.zb-welding.com/**

![42e5431c8a77076e6f51afdefc8a4ac1.png][]

当然最粗暴的方式离不开google学术来搜论文，可以直接查一个方向的关键词来看相应的论文，一般来说会有对应的下载或者链接

浅谈下我平时对于research和做工程怎么来看论文的吧，分享一点小经验，并非对你有用，我觉得这类问题还是有一个自己的知识体系比较好，如果觉得我讲的有点太“浅”，改天我写一篇详细点的吧，希望对你有用。

**research**

首先前期不着急读，多做一些survey，尽量找到该领域的偏综述的paper。

这类paper会把这个领域从古至今的一些偏受认可的算法都列举一下，之后前期需要把这些比较偏基础，偏经典的算法都精读一下。

之后你根据阅读会有一些感觉哪里可以改进，或者创新的点，对于这个点，你的研究慢慢越来越细，接下来可以依据这个细的点进行延申。

一般来说就是哪些可能会解决这个问题？哪些算法大概可以在这个点上被我解决，之后不断尝试idea，做实验，反复加深理解。

后期的话，慢慢对于一个方向已经有了自己的一些体系之后，开始对很多比较新的论文进行研读，这里是泛读还是读的仔细些，根据自己的兴趣，时间，是否和我的研究工作相关等等因素结合考虑。

一般来说我会比较在乎以下这么几点。

这篇论文要怎解决的问题是什么？

这篇论文是怎么解决的？

这篇论文的主要贡献是什么？

**偏业务工程**

要对本身自己的业务理解很到位，最起码抽象出，你有哪些数据，你的目标十什么，你需要解决哪些问题，你想达到什么效果。

之后再根据你的整体数据的输入输出，以及整体的业务背景，进行搜论文，前期也是做一些survey，后面可以进行略读，看是否和自己的业务背景比较相关，再做细致的研究。

最开始，尽可能用比较经典，比较快速，比较简单的方式先解决出一个较为简单的版本。

之后慢慢迭代，可以从规则->单模->不停的迭代和各种边界考虑->慢慢不断反复实验->稳定性和鲁棒性的分析

今天就先说这么多吧，不知道是否有意义，但这段时间闲下来了，准备持续写点有意思的东西。

[73d637df4e544c0fb7acff88d2420fc1.png]: /images/20220828/815dcead3d1f4c73b302d216be295539.png
[143cc6bdae8eb01cee4b0420e4bcc4d8.png]: /images/20220828/a45ad00814634562828b801215e7a394.png
[746982c49a41502b37a5a5131188cf59.png]: /images/20220828/d016055513d44722a0325171e3294d22.png
[167f9d4cc3794acedcfffb56801df4a6.png]: /images/20220828/0b8b01304e7b46828e19b7dd582b3f59.png
[2028f97424736c2360dc951874e2a71a.png]: /images/20220828/ffbf81e6d08a466c8d7c10112586887b.png
[a2425ea1691c06983e6b80c4c217bc2a.png]: /images/20220828/f060c8defa8945e49e275ceb8519ccdf.png
[48ee7c6b62b6e58b70815a904a94a965.png]: /images/20220828/edeae33442b74672af198964d4551bd2.png
[42e5431c8a77076e6f51afdefc8a4ac1.png]: /images/20220828/a736d4c88c1944faada08ef3deaa10eb.png