作者：Nityesh Agarwal

编译：ronghuaiyang

导读

很多同学在读研，读博，也有很多已经工作了，读研读博的不用说了，看论文就和吃饭一样，工作了的呢？在AI这个领域，不看论文就意味着落后，有人说，可以等别人看了以后，解读出来我再看啊，一来已经迟了，二来别人的理解始终是别人的，自己悟出来的东西，才真正是自己的。所以说，还是自己看论文吧，不过看之前，先看看这篇文章，说不定有点收获。

当你上完了在线课程看完了书之后，怎么继续你的深度学习的学习之路呢？你怎样才能变得自我满足呢，这样你可以不用依赖其他人在这个领域进行的解读。

——读论文

我不是一个深度学习专家。我也是刚开始读论文，本文中，我会把我读论文时发现有用的东西全都写下来。

为什么要读论文

Quora上对这个问题的答案，问看看一个人是否具有机器学习职业能力的资质，吴恩达说，所有人都有这个资质。他说，你学完了几个机器学习相关的课程，“为了更进一步，读一些论文，再进一步，复现论文中的结果。”

Dario Amodei （OpenAI的研究员）说，“看看你是否适合做AI或者机器学习，试着去快速的实现大量的模型，找一个最近论文中的机器学习模型，实现它，尽快让这个模型能工作。”

这些建议说明读论文领域里对未来的理解是非常重要的。

每个月都有几百篇论文发布，如果你真的想在这个领域里认真学习的话，只是读一些指南性质的论文，或者依赖其他人对于最新的研究做出的解读，是远远不够的。最新的，突破新的研究在你读这些文章的时候，以及发生了。研究的步伐从未如此之快，只有一个方法可以跟上这个步伐，那就是文章一发布出来，就去读它。

在这篇文章中，我会试着给你一些具有可行性的建议，如何开始自己读论文。最后，我会尝试解读一篇实际的论文，这样你会明白我在说什么。

如何读论文

重要的事情说在前面，读研究论文很难。实际上—

“没什么事能让你感觉自己是个白痴，除非你在读科学期刊的论文。”

我只是事先打个预防针，这样你看不懂论文的时候，也不会感觉太差劲。你刚开始读的几遍是不太可能理解的，所以说，要有耐心，再读一遍。

现在，我们来说说几个重要的资源，可以帮助你开始阅读生涯…

arXiv.org

这就像是网络中的一个地方，研究人员在将论文正式发表在科学杂志或者会议之前，先发布出来放着。

为什么要这么做呢？

做研究的时候，写论文并不是结束。论文从投递到发表到某个期刊上是一个非常长的过程。一篇论文投到一个期刊上，审核的过程是非常慢的，现在，对于机器学习这种快速发展的领域，是非常不合适的。

这就是为什么，arXiv。

研究人员将论文发布在arXiv之类的预印本仓库上，进行快速的传播，获取快速的反馈。

Arxiv Sanity Preserver

好，允许研究人员方便的预发布他们的研究论文是很好。但是读这些论文的人呢？如果你上arXiv的网站，你会被吓到的。这绝对不是一个给新人准备的好地方（只是个人建议，很欢迎你去试试）。

进入，Arxiv Sanity Preserver。

由Andrej Karpathy创立

Arxiv Sanity对于arXiv，就像是头条中的内容推送，从海量的内容中，让你看到最有趣的内容，个人喜欢的内容。就像 Arxiv Sanity推送给你机器学习领域发布在arXiv上的内容。可以让你基于趋势，基于你过去喜欢的，以及你关注的人喜欢的进行排序。（就像是社交媒体中个人推荐用到的特征，你懂得）。

Machine Learning- WAYR在Reddit上的帖子

WAYR是What Are You Reading的缩写，这是一个在subreddit Machine Learning上的帖子，人们在上面发布当前这周的机器学习的论文，讨论他们感兴趣的地方。

就像我说过的，机器学习领域论文每周发布的数量是非常大的。这意味着不可能靠一个人完全读完，你还要去工作，去上学。同时，也不是所有的论文都值的一读。

因此，你需要把你的精力投入到读那些最有价值的论文上面，我上面提到的帖子就是干这个的。

Newsletters，Newsletters，Newsletters，重要的事情说三遍！（国内估计就是公众号了吧）

Newsletters是我个人最好的保持AI领域最新进展的来源。你可以简单的订阅一下，然后每周一免费的发送到你的邮箱。这样一来，你可以知道和AI相关的最有趣的信息，文章和研究论文。

下面是我订阅的一些Newsletters（不知道国内能不能订阅，我先列一下吧）：

Import AI by Jack Clark这个是我最喜欢的，除了提供所有的AI信息之外，还有一项功能叫做“技术故事”，这部分包含了最新的AI相关基于上周的简短的科幻故事。
Machine Learnings by Sam DeBrule他也维护了一个同名的medium的发布，包含了一些真正有趣的文章，也可以看看。
Nathan.ai by Nathan Benaich上面两个newsletters是每周的，这是一个季刊，所以，你会每三个月拿到一个很长的email，总结了过去三个月的最有趣的发展。
The Wild Week in AI by Denny Britz我非常喜欢这个，因为这个非常简洁，看起来就像过去两个月都没有更新过一样，不管怎样，我还是提一下，以防Denny重新开始推送邮件了。

Twitter上的AI人（对应国内的微博）

反正国内也上不了Twitter，我就不列了，总之就是几个大牛的Twitter，随便说几个名字吧：Yann LeCun，Michael Nielsen，Andrej Karpathy，Ian Goodfellow，Jeff Dean。

“有这么多好东西，我怎么开始呢”

对的，这才是最需要关心的。

好了，首先确定一下，你理解了最基础的机器学习，比如线性回归之类的算法，还有基础的深度学习，神经网络，反向传播，正则化和一点比基础稍微高一点的，比如CNN，RNN和LSTM。我真的不认为最好的了解基础的方法是读科研论文，有大量的其他的资源可以参考。

一旦你完成了这个，你可以开始读论文了，最早介绍这些概念的论文。这样的话，你可以聚焦于养成看科研论文的习惯。你不用太关心你是不是真正理解了你看的第一篇论文，因为你已经了解这些概念了。

我推荐你从AlexNet论文开始。

为什么选这篇论文？

看看这个图：

看到了吗，计算机视觉和模式识别的曲线，在2012年一下子就崛起了，很大程度上就因为这篇论文!!!

这篇论文重新燃起了深度学习的热潮。

作者是Alex Krizhevsky，Ilya Sutskever，和 Geoffrey Hinton，标题是 ImageNet Classification with Deep Convolutional Networks，这篇文章被认为是这个领域最有影响力的文章之一，它描述了作者是如何使用CNN来做ImageNet的竞赛（ ILSVRC）的。

如果你不知道的话，我可以告诉你，识别物体是计算机视觉领域的最早期的目标， ILSVRC就像是计算机视觉领域的奥林匹克，在这个竞赛中，你需要确认1000个类别的物体，在2012年，AlexNet以很大的优势赢得了比赛。

它在top错误率是15.3%，对比第二名26.2%。