内容简介：推荐Paper精读，NLP、CV论文不用愁对许多研究者来说，读人工智能论文是件痛苦的事儿但若要知道自己所在的领域被研究成什么样了，避不开要读论文。那么
推荐Paper精读，NLP、CV论文不用愁
对许多研究者来说，读人工智能论文是件痛苦的事儿 。
但若要知道自己所在的领域被研究成什么样了，避不开要读论文。那么 应该如何阅读一篇人工智能相关的论文呢？
你是否经常面临这样的难题：
1、顶会论文越发越多，却不知道到底应该选择读什么样的论文来读？ 2、总是一字一句的读，结果读到后面就忘了前面？ 3、很多论文读下来云里雾里，抓不住重点，效率极其低下？ 4、读读还行，但是要落地到实际项目中，却不知道如何下手？
如果你只是盲目追求论文的数量，读了很多却和没读一样，不搞明白论文的思路和细节，没有抓住核心。时间浪费了，又没有任何收获。
可能你会说，读论文好难！！而且现在论文发表质量参差不齐，该如何挑选？对于一些优秀论文， 又该如何寻找论文源代码？如何剖析算法优缺点？如何结合实际应用实施？
别急，针对大家对于论文的要求，我们在经过认真挑选并设计后，从深度之眼推出了我们
人工智能Paper精！读！班！
设计合理的论文精度模式，带你跟随我们完整进行一篇论文的学习
Part1:6大维度统领全文
通过 提纲挈领，大维度解读 研究背景、研究问题、假设、研究思路和方法、成果及创新点 。 让我们了解论文研究的未来方向，通过了解假设条件和研究成果，讲解论文的来龙去脉，让我们对论文的整体思路和框架有所了解，让学员对本篇论文有一个概貌性的认识。
Part2:论文精讲
我们挑选了不同领域内经典和前沿的论文进行解读，详细讲解算法的具体内容，针对论文中所引用的算法是出自什么经典算法的改进进行分析，同时对 算法的优缺点、改进方案、论文的创新点、如何做对比论证进行分析。
Part3:代码详解
对于不同领域，我们会选择合适的论文配套代码， 讲解代码的结构、运行思路 ，针对论 文中关键部分对应的重点代码段、调参优化的一些经验等，老师会直接给出代码运行结果图
Part4:面试应用指导
读论文，最终的目的一定是要加以应用，我们以导师自身经验和企业招聘端为例，讲解该论文在面试过程中，面试官 可能会问到的一些问题。给予 项目实战落地 一些建议。
Part5:提供完整资料
提供附件内容包括 论文原文+中文译文+学习笔记+提供开源代码 +数据文件 的数据文件，及为了读懂这篇论文可能还需要学习的其他论文资料。
不仅如此，我们针对每篇论文的带学节奏和同学们的阅读节奏，设计了 符合我们平时看论文习惯的节奏和模式， 一周一篇，每周为一个完整的学习周， 每一篇论文都对应一位导师进行精讲
一周流程
Day
1
观看论文导读
通过观看录播视频，让我们对论文有个概貌性的认识，让我们对论文一周内容有大概的安排
Day2
预习论文，学习储备知识
在研究论文之前，我们需要对论文有大概的理解，因此我们安排了一天，针对老师布置的任务去通读论文，同时学习一些研究论文之前需要补充的预备知识，通过完成任务内的自测题，对论文有基本的理解
同时，我们也会安排一场针对论文的话题讨论，让同学和老师针对论文话题进行讨论学习，发表自己的观点
Day3
观看精讲视频
完成前两天的任务以后，我们会在第三天提供论文的精讲视频，通过观看视频，对论文中最重要的内容进行提取，针对 模型/算法/训练技巧，数据集，试验，结果分析等 ，构建讲解脉络，逐一讲授分析脉络中每一块重要内容，
Day4
写学习笔记
在第四天，我们会要求大家完成教学计划内老师布置的作业，包括阅读论文和代码实践的作业，再写一篇学习笔记，比如撰写论文小结、代码局部替换或优化心得。记录自己在学习过程中疑难的地方，温故而知新，加深对论文的印象，提高理解深度
Day5
观看代码讲解
第五天，老师会提供视频，把论文中内重要的代码全部讲一遍，让我们理解代码的结构，指导代码的实现方式和调优技巧
Day6
运行代码
让大家根据我们提供的资料和代码先跑一遍，然后再根据老师的思路在此基础上进行进一步的调优和优化，最终和其他同学们对比结果的差异性，互相学习进步
Day7
直播答疑
老师在直播期间，会讲解一些论文相关的知识点，并解答同学们在学习本篇论文中出现的问题，包括自己在学习过程中当时没有注意到的点，大家可以在直播当天和老师现场互动 不仅如此，针对问题我们设计了三种维度的答疑 1、导师接受1对1提问，12小时之内保证解决问题 2、每月统一收集问题直播答疑，系统讲解重难点 3、微信群助教及时互动，群友互答
论文有哪些？
我们讲论文以CV和NLP两个领域进行了详细的分类，在选择具有整体/宏观性、经典性、基石性paper的同时，还选用了前沿性和热门且有效方法的paper。首先是两个方向都需要学习的一篇经典论文
统领篇
《Deep Learning》
由刚获得图灵奖的Yann LeCun, Yoshua Bengio 和 Geoffrey Hinton 三位人工智能大师在Nature上发表的 深度学习综述 。 系统性地讲述了深度学习的特点和优势，列举了计算机视觉CV、自然语言处理NLP、强化学习RL的相关研究。
CV方向
经典篇：《ImageNet Classification with Deep Convolutional Neural Network》（AlexNet）
跟随近几年卷积神经网络CNN的快速发展和应用，我们选取了 由Krizhevsky和 Geoffrey Hinton 在2012年的开山之作， 他曾用名为AlexNet的网络结构的CNN取得了当时ImageNet比赛冠军
经典篇：《Very Deep Convolutional Networks for Large-Scale Image Recognition》（VGG）
选用了在2014年ILSVRC竞赛取得亚军的VGG网络，虽然当时竞赛的第一名是GoogLeNet，但是VGG模型在多个迁移学习任务中的表现要优于googLeNet。熟悉AlexNet与VGG后学员再研读后续的ResNet、DenseNet等变型网络结构的论文能更好的融会贯通。
前沿篇：《Region-Based Convolutional Networks for Accurate Object Detection and Segmentation》
随着CV领域目标检测方向，在近几年迅猛的发展，在自动驾驶、安防、人脸检测都有着广泛的应用。而目标检测的演化路线主要有两级式模型和单级式模型。两级式如RCNN，Fast-RCNN，Faster-RCNN，Mask-RCNN等，单级式如SSD
我们首先选取了卷积神经网络应用于 目标检测领域的开山之作 RCNN，为学员再去研究、理解和应用其后续演化变型结构如Fast-RCNN，Faster-RCNN，Mask-RCNN等就有了坚实的基础。
前沿篇：《SSD: Single Shot MultiBox Detector 》
是Liu W , Anguelov D , Erhan D等人在2016年的European Conference on Computer Vision上发表的文章，该模型在不同的数据集上，如 PASCAL VOC、MS COCO、ILSVRC，都进行了测试。在检测时间、检测精度上，达到了state-of-art 的水平。
除此以外，我们还挑选了针对人脸相关的应用 ： 人脸检测，人脸关键点预测，人脸比对，人脸识别，属性识别等等方向的论文
前沿篇：A Discriminative Feature Learning Approach for Deep Face Recognition(center loss)
前沿篇：Facenet: A unified embedding for face recognition and clustering（triplet loss）
NLP方向
我们抽取了三篇论文讲述词向量的发展，一脉相承，从经典到前沿。
经典篇：《Efficient Estimation of Word Representations in Vector Space》
word2vec是将词汇向量化，这样我们就可以进行定量的分析，分析词与词之间的关系，这是one-hot encoding做不到的。Google的Tomas Mikolov 在2013年发表的这篇论文给自然语言处理领域带来了新的巨大变革，提出的两个模型CBOW (Continuous Bag-of-Words Model)和Skip-gram (Continuous Skip-gram Model)，创造性的用预测的方式解决自然语言处理的问题，而不是传统的词频的方法。 奠定了后续NLP处理的基石 。并将NLP的研究热度推升到了一个新的高度。
经典篇：《Neural Machine Translation by Jointly Learning to Align and Translate》
Attention机制最初由图像处理领域提出，后来被引入到NLP领域用于解决机器翻译的问题，使得机器翻译的效果得到了显著的提升。attention是近几年NLP领域最重要的亮点之一，后续的Transformer和Bert都是基于attention机制。
经典篇：《Transformer: attention is all you need》
这是谷歌与多伦多大学等高校合作发表的论文，提出了一种新的网络框架Transformer，是一种新的编码解码器，与LSTM地位相当。
Transformer是完全基于注意力机制（attention mechanism)的网络框架，使得机器翻译的效果进一步提升，为Bert的提出奠定了基础。该论文2017年发表后引用已经达到1280，GitHub上面第三方复现的star2300余次。可以说是 近年NLP界最有影响力的工作，NLP研究人员必看！
前沿篇：《A Convolutional Neural Network for Modelling Sentences》
前沿篇：《fasttext：Bag of Tricks for Efficient Text Classification》
第一篇论文将CNN引入NLP来进行文本分类，巧妙地设计了filter的结构，将n-gram的思想用于NLP，很巧妙。第二篇的思想比较简单，效果很好，效率很高。
前沿篇：《Siamese recurrent architectures for learning sentence similarity》
该篇论文仅仅是Siamese network的一个使用场景。在Kaggle question pair match和国内的很多NLP比赛中，比赛的冠军们无一不使用siamese network，该网络模型在图像、语音等领域也有广泛的应用，是非常实用的模型。
从事深度学习自然语言处理的人，能通过这6篇Paper的授课、精读、代码详解和代码实操，奠定坚实的研究基础。
学完以后，我可以保证你至少能收获
1 获得正确的阅读Paper的方法 2 获得深度学习领域的研究概貌和前沿知识； 3 洞悉优秀的论文研究团队的研究方法、思路； 4 细化吸收配套代码，快速借鉴用于自己的科研上。 5 完成0-1的构建，举一反三，自主可以高效阅读和复现更多的论文
不仅如此，你还能收获
1、赠送价值1198元为期一年1对1咨询服务，11位重量级人工智能大咖坐镇，全方位解决你的学习困惑 2、每周五热门话题讨论，400+学员的集体头脑风暴，资源、干货、观点一起碰撞 4、超过15家知名互联网企业的内推合作
带学导师团
为保证每位学生得到更好的指导，我们 每个班级人数 不超过100人 。老师将在群里及时和大家答疑互动。
为期7周
现在加入，仅需298元！
CV方向论文班
（如果你想两个打包售卖，我们可以优惠~详情咨询客服）
NLP方向论文班
报名时间：2019年5月22日—2019年6月3日
支持 支付宝花呗分期付款，信用卡分期付款。我 们可以帮你付利息！
学习不在于花销多少，而在于你的收获一定要大于付出！
年轻最有效的资本是时间，让我们带你更有效的学习，帮你节约你自己盲目摸索的时间。让你赚取更多的价值！
我们其他训练营的学习氛围
在我们的学习群里，你不仅能接触到更多严格要求自己的人，还能让你的学习效果在深度交流中实现最大化！
如果你还在犹豫，不如看看有多少位学生已经加入学习了
报名情况
1、超过1.9w+学员已加入训练营
2、累积打卡总195683+次
为了鼓励学生坚持学习，按要求完成作业， 我们将 赠送你如下福利！ ！ 打卡全勤将全额返现！不花一分钱，学完整门课！
截止目前我们已累积返现8万余元，还在不断累积
（训练营采取的积分机制，打卡、点评、点赞都会有得到相应的积分，凭积分就可以换取相应奖品！）
此外，积极参加社群活动，还有机会获得【深度之眼】的精美周边产品
学员曾给我们的反馈
我们的模式在往期训练营里做到了零吐槽！零差评！
而我们，还在不断的更新迭代
睁开眼，阳光和你都在～
可上下滑动，查看部分学员评价
现在加入，仅需298元！
CV方向论文班
（不同方向所带读的论文内容不同，请大家按照自己研究领域选择）
NLP方向论文班
（不同方向所带读的论文内容不同，请大家按照自己研究领域选择）
报名时间：2019年5月22日—2019年6月3日
添加班主任送你免费《Python 基础训练营》
备注：如有任何问题，也请添加班主任微信咨询
开启你的升级之旅
除此以外， 我们还有会员专享的十七大训练营，通过系统的课程体系让你从入门进阶到企业实战
购买VIP需添加班主任微信拉群哦！
支持花呗/信用卡分期，我们帮你付全部利息！
订阅须知
Q：课程资料在哪里看？
A：所有的课程资料均会在训练营内上传，报名以后请务必添加客服微信入群！
Q：视频可以电脑看吗？
A：课程视频支持 PC端倍 速播放。
Q：报名后可以退款吗？
A：本服务为虚拟内容产品，一经购买，概不退款，敬请谅解。
Q：可以开具发票吗？
A：可以开具普通发票，请联系微信班主任填写需要的信息即可。
名企合作
讲师招募
深度之眼首创训练营模式，在不到一年时间已有1.8万名付费学员，我们长期招募兼职讲师，以在线工作为主，分成收入佳。
只要您在一下方面有某一专长：
1、 精读过 《深度学习》花书 、 李航《统计学习方法》、《机器学习》西瓜书 等AI类知名书籍，可以开设以此书籍为教材的带读班。
2、系统学过 李宏毅的《机器学习》《深度学习》、李飞飞《计算机视觉课》 或是国外名校的知名公开课，可以开设以此课程为教材的带学班。
3、 打过Kaggle、天池、AI challenger、科赛网、DC等竞赛 ，并取得过前5的成绩，可带竞赛班
4、如果你自己曾经读过 AI类的经典或者前沿论文 ，并且对论文做过深入的分析和研究，可作为我们的paper精读班老师
5、如果你在企业里面，有参加过 实际的企业项目 ，可以作为我们AI企业项目实战班
我们不需要你全能，只要你在某一个方面特别擅长，即可担任我们的带学导师。
欢迎大家扫客服微信联系我们！
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- 精读《React 性能调试》
- 精读《Typescript 4》
- 精读《正则 ES2018》
- AIStats 2017文章精读（四）
- 精读《如何比较 Object 对象》
- 精读《谈谈 Web Workers》
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
