如何從科學論文中實現一個演算法
本文是從科學論文中實現演算法的簡短指南。我從書籍和科學出版物中實現了許多複雜的演算法，本文總結了我在搜索，閱讀，編碼和調試方面所學到的知識。這顯然僅限於與電腦科學領域有關的領域的出版物。然而，您應該能夠將以下提供的指導方針和良好做法應用於任何類型的文件或實施。
1 - 在你進入之前
在您閱讀技術論文並實施之前，您應該查看幾點。每當你準備開始這樣一個專案時，請確保你仔細地蓋住他們。
1.1 - 找到一個開源實現，以避免編碼
除非你想為了更多地瞭解這個領域來執行論文，否則你無需實現。事實上，你想要的不是對紙張進行編碼，而只是實現紙張的代碼。所以在你開始任何事情之前，你應該花幾天的時間試圖在互聯網上找到一個開源的實現。只要考慮一下：你寧願失去兩天的時間尋找代碼，還是浪費兩個月來實現一個已經可用的演算法？
1.2 - 找到更簡單的方法來實現你的目標
問問自己想要做什麼，如果更簡單的解決方案可以滿足您的需要。您可以使用其他技術 -即使結果只有您想要的80％ -不需要實現該文檔，並且您可以在隨後的兩天內運行可用的開源庫？有關更多資訊，請參閱我的文章 20/80生產力規則。
1.3 - 小心軟體專利
如果您在美國，請注意軟體專利。有些論文獲得專利，您可能會遇到在商業應用中使用它們的麻煩。
1.4 - 瞭解有關該領域的更多資訊
如果您正在閱讀關於在計算神經科學的背景下使用支持向量機（SVM）的文章，那麼您應該閱讀機器學習的簡短介紹以及可以替代SVM的不同類型的分類器，您應該閱讀關於計算神經科學的一般文章，以瞭解現在研究中正在做什麼。
1.5 - 保持動力
如果你從未執行過紙張和/或如果您是新的紙張領域，那麼閱讀可能非常困難。無論發生什麼，不要讓數學方程的數量和複雜性阻止你。此外，速度不是一個問題：即使你覺得你理解紙張比你想要的慢，只要繼續工作，你會看到你會慢慢地，穩定地瞭解論文中提出的概念，並通過所有困難一個接一個。
2 - 三種論文
選擇隨機紙並立即開始執行是不錯的選擇。那裏有很多論文，這意味著有很多垃圾。所有出版物可以分為三類：
2.1 - 開創性的論文
一些真正有趣的，寫得好的和原創的研究。大多數這些論文都是從頂級大學出來的，或者是在處理這個問題大約六到十年的小型大學的研究團隊中出來的。後來很容易發現：他們在論文中引用了自己的出版物，表明他們已經在這個問題上一段時間了，而且他們的新工作基於出版物的成功記錄。此外，這些開創性的論文一般都是在現場最好的期刊上發表的。
2.2 - 範本紙
一些研究小組正在跟隨開創性團隊的工作，提出改進建議，並發佈其改進成果。這些論文中有許多缺乏正確的統計分析，錯誤地得出結論，改進真的在打破原始演算法。大多數時候，他們真的沒有帶來任何東西，除了不必要的額外的複雜性。但並不是所有的模仿者都是壞的。有些是好的，但很少見。
2.3 - 垃圾紙
一些研究人員真的不知道他們在做什麼和/或是邪惡的。他們只是試圖在他們所教授的學術機構中保持自己的地位和特權。所以他們需要資金，因此他們需要發佈，什麼東西。誠實的人會在結論中告訴你，他們失敗了，結果只有N％的時間是準確的（N是壞的價值）。但有些邪惡的人會說謊，他們的研究取得了很大的成功。經過一段時間閱讀出版物後，很容易發現垃圾紙並將其弄髒。
3 - 如何閱讀科學論文
很多已經寫了這個話題，所以我不會寫太多。一個好的起點是：如何閱讀 SrinivasanKeshav 的論文。以下是我在閱讀科學出版物時發現有用的幾點。
3.1 - 找到正確的檔
你想要實現的是一個原始的論文，一個開始整個領域的論文。有時候，如果你覺得它給一個好的但不成熟的開創性論文帶來了真正的改進和一致性，那麼你可以選擇一張範本紙。
所以讓我們說你有一張紙作為你的起點。您需要在其周圍進行一些研究。為此，該策略是尋找相關出版物，以及本文末尾“參考”部分列出的出版物。去Google學術搜索，搜索標題和作者。你發現的任何一篇論文比原來的論文做得更好嗎？如果是的話，那就先把你正在看的紙扔掉，然後保持你發現的新的紙張。GoogleScholar的另一個很酷的功能是您可以找到引用給定論文的論文。這真的很棒，因為你所要做的就是按照一篇論文到下一篇文章的引用鏈，你會發現最近的論文。從起點尋找好的紙張是所有關於尋找的論文被引用由當前的紙張，以及論文引用當前的紙張。及時移動，您應該找到高品質，符合您需求的紙張。
重要提示：在這個簡單的探索和推算階段，您不應該閱讀並充分瞭解論文。這個搜索正確的文章應該只是通過抄寫檔，並用你的本能來檢測垃圾（這帶有經驗）。
3.2 - 不要在螢幕上閱讀
在硬紙上列印出版物，並閱讀論文版本。另外，不要減小大小，以便在每個頁面上列印更多。是的，你會保存三張紙，但你會失去時間，因為你會很快讀這些小字元。良好的閱讀字體大小在11到13分之間。
3.3 - 良好的時間和位置
半夜不要看紙，在大腦仍然新鮮的一天的時刻做。另外，找到一個安靜的區域，並使用良好的照明。當我閱讀時，我有一個臺燈直接指向檔。
3.4 - 標記和筆記
用標記突出顯示重要資訊，並在閱讀時在頭部彈出的任何想法的邊緣記筆記。
3.5 - 瞭解所有條款的定義
當你習慣於閱讀大多數新聞文章和小說時，你的大腦訓練有素，通過使用上下文作為扣除設備來填充你不知道的單詞的意思。閱讀科學出版物是一個不同的練習，最大的錯誤之一是假設一個詞的錯誤含義。例如在這句話中“這種分割方法的結果仍然遭受模糊人造物”的困擾。這兩個詞，“分割”和“文物”，具有英文的一般含義，但在電腦視覺領域也具有特定的意義。如果您不知道這些詞在本文中具有特定的意義，那麼在閱讀時不注意，您的大腦將填寫一般含義，您可能會丟失一些非常重要的資訊。因此，您必須（i）避免對字詞的假設，並且每當有疑問的時候，在出版物的領域的上下文中查找這個詞，並且（ii）在一張紙上寫上一個關於您之前不瞭解的出版物特有的所有概念和辭彙的辭彙表。如果您首次遇到諸如“逼真點”和“分段仿射變換”等概念，那麼您應該查找其精確的定義並將其寫入您的辭彙表。概念是支援語言的大腦快捷方式，可以讓您更快地瞭解作者的意圖。如果您首次遇到諸如“逼真點”和“分段仿射變換”等概念，那麼您應該查找其精確的定義並將其寫入您的辭彙表。概念是支援語言的大腦快捷方式，可以讓您更快地瞭解作者的意圖。如果您首次遇到諸如“逼真點”和“分段仿射變換”等概念，那麼您應該查找其精確的定義並將其寫入您的辭彙表。概念是支援語言的大腦快捷方式，可以讓您更快地瞭解作者的意圖。
3.6 - 在結論中尋找統計分析
如果作者僅從其演算法中提供一條曲線，並從另一種演算法中提取一條曲線，並說“看，它的準確度高20％”，那麼你知道你正在閱讀垃圾。您想要閱讀的內容是：“在N個實例的一組測試中，我們的演算法顯示了使用雙樣本t檢驗的p值為5％的顯著改進。”使用統計分析顯示，作者，並且是一個很好的證明，結果可以信任泛化（除非作者謊稱使他們的結果看起來更性感，這可以永遠發生）。
3.7 - 確保結論證明本文正在做您所需要的
假設你想要一個可以在圖片中找到任何臉的演算法。本文作者在結論中說，他們的模型是使用來自80個不同人（10x 80 = 800張圖片）的10個姿勢進行訓練的，訓練組的面部檢測準確率為98％，但只有70％與測試集（圖片在訓練期間未使用）。這是什麼意思？這意味著顯然，該演算法具有適當的概括性問題。在訓練集上使用（無用）時表現良好，在現實世界中使用時表現更差。在這一點你應該得出結論，也許這篇文章對你所需要的不夠好。
3.8 - 注意作者使用的輸入資料
如果要使用網路攝像頭執行人臉檢測，並且作者已經使用高清晰度攝像機拍攝的照片，那麼在您的情況下，演算法將不會像作者那樣執行。確保該演算法是在與您的資料相似的資料上進行測試的，否則您將最終獲得在實際設置中完全無法使用的良好實現。
3.9 - 作者是人類
作者是人類，因此他們犯錯誤。不要以為作者是絕對正確的，如果一個方程真的很難理解或跟隨，你應該問自己，作者是否在那裏犯了錯誤。這可能只是文中的打字錯誤，或數學錯誤。無論是哪種情況，最好的方法就是自己推出方程式，並嘗試驗證其結果。
3.10 - 瞭解變數和運算符
在出版物實施過程中的主要任務是將論文中的數學方程式轉化為代碼和資料。這意味著在跳入代碼之前，您必須瞭解這些方程的100％的方程和過程。例如，“C= A”。B“可能有不同的含義。A和B可以是簡單的數位，“。”運算符可以簡單地成為一個產品。在這種情況下，C將是兩個數字A和B的乘積。但也可能是A和B是矩陣，“。”表示矩陣乘積運算符。在這種情況下，C將是矩陣A和B的乘積矩陣。另一種可能性是A和B是矩陣，“。”是術語“逐項”乘積運算符。在這種情況下，每個元素C（i，j）是A（i，j）和B（i，j）的乘積。變數和運算符的符號可以從一個數學公式轉變為另一個數學公式，從一個研究組到另一個。確保你知道每個變數是什麼（標量，向量，矩陣或其他東西），以及每個運算符對這些變數做什麼。
3.11 - 瞭解資料流程
一篇論文是一系列方程式。在開始編碼之前，您必須知道如何將方程式N的輸出插入方程式N+ 1的輸入。
4 - 原型製作
一旦你閱讀並理解了這篇文章，那麼現在是創建一個原型的時候了。這是一個非常重要的步驟，避免它可能導致浪費時間和資源。在諸如C，C++或Java這樣的語言中實現複雜的演算法可能非常耗時。即使你對論文有一定的信心，認為該演算法將會起作用，所以仍然有機會根本不起作用。所以你希望能夠以最髒的方式盡可能快地進行編碼，只是為了檢查它是否正常工作。
4.1 - 原型設計解決方案
最好的解決方案是使用更高級別的通用語言或環境，如Matlab，R，Octave或SciPy/ NumPy。在C++中表示數學方程然後列印結果來手動檢查它並不容易。相反，在Matlab中寫方程非常簡單，然後列印出來。在C++中需要兩到三周的時間，您將在Matlab中花費兩天時間。
4.2 - 原型開發有助於調試過程
擁有原型的一個優點是當您擁有C ++版本時，您可以通過比較Matlab原型和C++實現之間的結果進行調試。這將在下面的“調試”部分進一步發展。
4.3 - 事先清除執行問題
您一定會在您的原型中造成軟體設計錯誤，這是一件好事，因為您將能夠確定過程或資料的難點。當您編寫C++版本時，您將瞭解如何更好地構建軟體，並且您將生成比沒有原型設計步驟更簡潔，更穩定的代碼（這是Frederick提出的“扔掉系統”的想法布魯克斯在神話人月）。
4.4 - 驗證文中提出的結果
仔細閱讀本文的“實驗”部分，並嘗試通過使用與作者使用的測試資料盡可能相似的方式盡可能接近地重現實驗條件。這增加了您重寫作者獲得的結果的機會。不使用類似的條件可能會導致您執行的行為，您可能會將其視為錯誤，而您只是不提供正確的資料。一旦您可以根據類似的資料重現結果，那麼您可以開始在不同類型的資料上進行測試。
5 - 選擇正確的語言和圖書館
在這個階段，您必須清楚地瞭解出版物中提供的演算法和概念，您必須擁有一個運行的原型，以說服演算法實際上是處理您希望在生產中使用的輸入資料。現在是進入下一步的時候，其中包括使用您希望在生產中使用的語言和框架來實施出版物。
5.1 - 預先存在的系統
許多時候，生產語言和圖書館都是由現有的系統所決定的。例如，您有一套用於圖片中的照明歸一化的演算法，在Java編碼的庫中，並且您想從發佈中添加新的演算法。在這種情況下，顯然，您不會在C++中編寫這個新演算法，而是在Java中編寫。
5.2 - 預測未來使用的實施
在這種情況下，沒有預先存在的系統強加一種語言，那麼語言的選擇應該基於該演算法的預測使用。例如，如果您認為在四到六個月內，您的應用程式的可能埠將完成到iPhone，那麼您應該選擇C/ C ++ over Java，因為它將是將代碼輕鬆集成到目標中的唯一方法-C應用程式，無需從頭開始。
5.3 - 完全或部分解決演算法的可用庫
不同語言的可用庫也可以定向生產語言的選擇。我們假設您希望實現的演算法使用眾所周知的代數技術，如主成分分析（PCA）和奇異值分解（SVD）。那麼你可以從頭開始編寫PCA和SVD，如果有一個錯誤可能會導致一個星期的調試結束，或者你可以重新使用已經實現這些技術的庫，並使用慣例和Matrix編寫實現代碼這個圖書館的類。理想情況下，您應該能夠將您的實現分解為子任務，並嘗試查找盡可能實現盡可能多的這些子任務的庫。如果您發現僅適用於某種語言的完美圖書庫，那麼您應該選擇該語言。也，請注意，庫的選擇應該是重新使用現有代碼和最小化依賴關係之間的權。