悄悄告訴你幾個竅門。
痛苦
做科研汽煮，不能不讀論文搏熄。
但是，我見過不少研究生暇赤，論文都讀得愁眉苦臉的心例。
這其中，自然有因為拖延的關系鞋囊。例如教授布置了2周后討論論文止后，你原本可以每天抽出時間，慢慢消化∫胫辏可你非得拖到截止日期的前一天晚上才打開看瓜喇，希望畢其功于一役……這顯然是態(tài)度問題。
但是歉糜，不可忽略的乘寒，有些同學，卻真的不是態(tài)度問題匪补，而是方法不當伞辛。
他們喜歡跟論文死磕。
讀不懂夯缺，就一遍一遍反復讀蚤氏，試圖從字里行間，悟出精髓踊兜。
這可能是為了遵從那句古訓：
書讀百遍竿滨，其義自見。
且不說這樣是不是最終能走通捏境。只論這個過程姐呐，就很痛苦，而且事倍功半典蝌。
有的同學對著一篇論文發(fā)憤了幾天甚至是幾周，依然看不懂头谜。那種挫折骏掀、沮喪，別人看著都難受柱告。
問題出在哪里呢截驮？
困難
我在《如何與導師有效溝通你的論文選題？》一文給你講過际度，一篇合格的論文葵袭，就是傳遞認知差的載體。
更進一步乖菱，不斷涌現(xiàn)的論文坡锡，其實就是學術界的升級安裝包。
你不斷讀論文窒所，就是為了跟學術共同體保持同步鹉勒。但是，只有你跟這篇論文所依賴的那些基礎知識同步以后吵取，安裝這個升級包才有意義禽额，也才能水到渠成。
而對著論文犯愁的你，不管出于什么原因脯倒，顯然不大具備這個新包兒（論文）的安裝條件实辑。
所以，你需要做的藻丢，不是跟這篇論文自身較勁剪撬。而是應該盡快補充調(diào)整自己的知識架構(gòu)，使得這篇論文對你而言郁岩，是可以兼容婿奔，并且升級的。
論文羅列的參考文獻问慎，可以作為你補充基礎知識的一個有效手段萍摊。畢竟，作者親自在這里為你指明的路徑如叼，如同給了你一張寫有路標的迷宮地圖冰木。
這就是為什么，許多優(yōu)秀的博士笼恰，都是要讀數(shù)百篇文獻的踊沸。
讀過那些文獻以后，再看什么新文獻社证，都會很有感覺逼龟，一下子就能找到方向，看到論文的優(yōu)勢和弱點追葡。
這時候腺律，你就已經(jīng)是個專業(yè)人士了。
但是宜肉，對于初學者而言匀钧，你得先讓自己樹立自信。而不是用一種近乎于閉卷考試的方法挑戰(zhàn)自己谬返。
做買賣不怕賠錢之斯，但是怕剛開張的時候賠錢。這是有道理的遣铝，因為“貧窮陷阱”曲線有多個均衡佑刷。
同樣，做科研也不怕面對困難翰蠢。但是初始階段项乒，還是得給自己降低一些難度。
許多時候梁沧，你要讀的論文來自陌生領域檀何，你并沒有那么多的時間，一篇篇文獻去啃、去挖掘频鉴。
舉個例子栓辜，假設你的研究方向，不是自然語言處理或者深度神經(jīng)網(wǎng)絡垛孔。但是你最近在學術研討會上聽說了一個神奇的東西藕甩，叫做 BERT 。
你自己學科里面的很多人周荐，都在談論他狭莱。他們用上了 BERT ，所以可以高精度概作、自動化處理很多從前只有人類才能做好的文本處理工作腋妙，例如情感分析，例如智能問答等讯榕。
見他們發(fā)了很好的論文骤素，你也想一探究竟。
你找到了 BERT 的原始論文愚屁，它就在預印本平臺 arxiv 上面济竹。
但是一打開，你就暈了霎槐。
這些術語（例如“fine-tuning”）送浊，這些圖，都是什么意思扒鸬罕袋？一點頭緒都沒有。
怎么辦碍岔？
好在，要讀懂論文朵夏，是有不少竅門的蔼啦。你可以善用許多從前忽視的資源，幫助自己消化和理解論文中令你感到困惑的部分仰猖。
下面我一一講給你聽捏肢。
幻燈
俗話說，解鈴還須系鈴人饥侵。
如果你覺得一個作者在論文中使用了很多公式鸵赫，而且表達晦澀，那是因為要發(fā)表躏升，他只需要顧及審稿人和領域內(nèi)小圈子專業(yè)人士的感覺就可以了辩棒。
為了表達效率高，他就得用術語。為了表達精準一睁，他就得用公式钻弄。
用術語，就是壓縮者吁；用公式窘俺，就是加密。
所以复凳，論文其實就是一個加密壓縮包瘤泪。
它安全，只有內(nèi)行看得懂育八，不會引來很多外行抬杠对途。
它高效，壓縮了所有冗余的信息单鹿。
但這搞得你這個初學者讀不懂掀宋，很不愉快。
你得先解密再解壓縮仲锄，然后才能看懂劲妙。可你癥結(jié)在于儒喊，你不具備解密和解壓的能力镣奋。
好在，每一個作者怀愧，都要同時面對兩個問題——共識與知名度侨颈。
共識是說，別人承認他芯义；知名度是說哈垢，別人喜歡他。
要提升知名度扛拨，他就不能只悶頭寫論文耘分。還得出席一些會議，做做報告和講座什么的绑警。
面對大領域同行求泰，他要把一個事兒說清楚，就不能再用那么多的術語了计盒，而必須考慮到聽眾的感受主守。
這時候珊搀，他可能更多使用描述性語言褥赊，生動的例子蝌麸，甚至更吸引人的內(nèi)容拔第，例如視頻或者動圖。
這些會議的幻燈聊替，很多都是公開發(fā)布的楼肪。所以你不妨搜搜看。
例如說惹悄，你在搜索引擎里面搜索 BERT 那篇論文的第一作者春叫，加上 BERT 這個關鍵詞，以及把資源類型指定為 ppt 之后泣港，你就能看見很有趣的搜索結(jié)果了暂殖。
點開看看?
原來是 Jacob Devlin 在斯坦福大學一次演講的幻燈。
這里面当纱，清晰地定義了問題呛每，并且梳理了各種疑問的解答。
特別地坡氯，還使用了更多的圖形晨横，來對比 BERT 和現(xiàn)有技術之間的差異。
通過幻燈箫柳，你可以把論文中很多沒有能夠展開的問題手形，或者許多作者認為小領域同行默知默會的知識點，都詳細論述悯恍。
有了這些補充資源库糠，再回去讀論文，是不是更加清晰了涮毫？
博客
如果找不到作者的演示幻燈瞬欧，或者看了作者的幻燈之后，你還是沒能很好理解論文的內(nèi)容罢防，也不必氣餒艘虎。
我們前面說的，只是通則咒吐。
例如我們假定顷帖，作者面對一群不同背景的聽眾時，他的幻燈會做得更加深入淺出渤滞，以調(diào)眾口。
但是榴嗅，有些學者妄呕，就是不分場合跟你展示數(shù)學功底。指著一個包含超過30個數(shù)學符號的長式子興奮地說：
看嗽测，就是那么顯而易見……绪励！
這種情況下肿孵，如果他的工作足夠重要，你不必擔心疏魏，會有人站出來幫忙做解密和解壓停做，也就是“科普”這件事兒的。
目前學術界有幾個科普文和教程聚居地大莫。
其中我最喜歡的一個蛉腌，是 medium.com 。
BERT 論文出來之后不久只厘，你就可以在 Medium 上面查到這篇博文烙丛。
博文寫得如何？看看點贊（clap）次數(shù)也就知道了羔味。
標紅的地方顯示河咽，已經(jīng)有超過3800人點贊了。這在 Medium 平臺的學術科普類文章里赋元，算是非常受歡迎了忘蟹。
之后過了半個月，又有人寫了這篇搁凸。
隨后媚值，因為許多與 BERT 類似的 Transformers 模型競相出現(xiàn)，所以 medium 平臺上的相關系列教程坪仇，也層出不窮杂腰。
例如發(fā)布在 2019 年 2 月 “How the Embedding Layers in BERT Were Implemented”一文中的這張手繪圖形，就把 BERT 為什么使用3種不同的嵌入層椅文，講得一清二楚喂很。
這些文章，可以讓你從一個感興趣的旁觀者角度皆刺，迅速建立相關概念少辣。有了這些基礎之后，再去讀論文羡蛾，你的感覺會輕松許多漓帅。
視頻
如果你足夠幸運的話，還能找到很好的視頻教程痴怨，作為補充資源忙干。
其中許多視頻，還是免費的浪藻。
例如 BERT 捐迫，就有不少人一言不合發(fā)視頻給大家講講清楚。
中英文視頻都有爱葵。而且排名靠前的這些教程施戴，往往都做得品質(zhì)精良反浓，讓你迅速了解 BERT 的來龍去脈。
我個人比較推薦那些大學老師做的視頻赞哗。當老師受到的最寶貴訓練雷则，絕不是什么師資班的培訓，而是上課的時候收獲的學生反饋肪笋。
因為總是給學生上課月劈，他會明白學生的關注點在哪里，會忽視或者錯誤理解什么涂乌，從而可以有的放矢強調(diào)某些東西艺栈，讓你輕易避開很多認知誤區(qū)陷阱。
例如說李宏毅老師講的 BERT 介紹湾盒，就可稱得上是深入淺出湿右，形象生動。
何況罚勾，還是中文的毅人。
課程
有的時候，你會發(fā)現(xiàn)尖殃，雖然某些令許多人關注的焦點內(nèi)容（例如 BERT ）會有這樣多的視頻可供觀賞丈莺，但是若你想仔細了解一下論文里出現(xiàn)的其他技術，以便對比送丰，就未必有這么好的運氣了缔俄。
在視頻平臺上搜尋，也許很難有收獲器躏，甚至還會找到很多噪聲俐载。
這時候，你也不要氣餒登失。雖然你想看視頻教程遏佣，但如果只在某個視頻平臺搜索，那就如同魚在坑的東邊揽浙，你卻非得在坑西邊釣一樣状婶。
系統(tǒng)化了的知識，你沒有必要東奔西走地查找馅巷。而是可以通過在線課程來快速概覽膛虫。這樣不僅選擇成本低，而且學習效率更高钓猬。
有的同學天然把課程等同于幾大 MOOC 平臺稍刀。實際上，這也是一種誤解逗噩。
例如你打算回顧一下掉丽，自然語言處理近幾年的發(fā)展與技術應用。那么异雁，選擇 Coursera 或者 Udacity 課程捶障，自然也是一種辦法。
但你如果喜歡更靈活地學習纲刀，可以直接到 fast.ai 上面项炼。因為這里的特點是快速迭代，緊貼前沿示绊，而且剛好就有一門 NLP 課程锭部，內(nèi)容非常新穎。
課程內(nèi)容里面褐，自然也包括 BERT 拌禾。
而與此同時，它也囊括了 ULMfit, GPT-2 和 XLNet 等相關技術展哭。以寫代碼來理解不同技術的進展湃窍，邏輯清晰，讓你一站式了解領域里面最重要的內(nèi)容有哪些匪傍，特別是最近發(fā)生了什么有意思的事兒您市。
代碼
提到了代碼，咱們就多說幾句役衡。
Jeremy Howard 在他的課程里面一直強調(diào)茵休，對于技術類的問題，代碼比公式更重要手蝎。
描述一個算法榕莺，你用公式當然沒有問題。但如你能把它寫成代碼柑船，而且正確運行帽撑，那想必你是真的懂了。
同樣鞍时，現(xiàn)在我們看很多論文亏拉，都配有代碼。
如果你讀論文的時候逆巍，只閱讀公式看算法及塘，搞不懂究竟是怎么回事兒，則完全可以去看看那簡單的 Python 代碼锐极。
例如說 BERT 笙僚，你雖然看到各種圖片，但是可能還是不知道灵再，如果你打算做一個分類下游任務肋层，該怎么給你的輸入文本做編碼呢亿笤？
這時候，如果你讀代碼栋猖，效果就大不相同了净薛。
當然，這里不是讓你去讀最初論文的代碼蒲拉。那是基于 Tensorflow 1.x 版本寫的肃拜。回顧一下雌团，我在《如何用 Python 和 BERT 做中文文本二元分類燃领？》里面，跟你介紹過 Tensorflow 1.x 設計上的反人性锦援。
你完全可以去讀 PyTorch 代碼猛蔽。至少讀起來，更像是人話雨涛。
有好事者枢舶，就把 Tensorflow 上的各種 Transformer 模型，都搬到了 PyTorch 上替久。目前這個叫做 Transformer 2.0 項目凉泄，在 github 上已經(jīng)有了16300顆星。
在論文里蚯根， BERT 模型輸入文本的預處理后众，是這個樣子的。你可能會很疑惑颅拦，特殊的 token （例如論文中出現(xiàn)的 [CLS] 和 [SEP] ）蒂誉，究竟如何設置，如何起作用距帅？
這里右锨，看一下代碼示例。你會發(fā)現(xiàn)碌秸，原來你該這樣把它們加入進去绍移。
而且，只有真正看了代碼倉庫里面的示例讥电，你才會了解蹂窖， transformers 這個項目，為什么會這么火恩敌。
因為瞬测，你可以僅僅用10幾條語句，就完成一個經(jīng)典的文本分類任務。
于是月趟，你也就明白灯蝴，在自己的研究任務里面，用上最前沿的自然語言處理技術孝宗，根本就沒有預想得那么困難绽乔。
小結(jié)
本文我們以 BERT 為例，為你講述了當直接閱讀科研論文時遭遇困難的原因碳褒，以及你可以求助的免費資源和路徑，它們包括但不限于：
- 幻燈看疗。作者用幻燈和聽眾溝通的時候沙峻，是要在一定程度上，放棄術語和公式的便利的两芳。這就給你一個聽懂的機會摔寨。
- 博客。對于一個大家都認為有用怖辆，但是學起來很困難的知識點是复。你可以在主流技術博客平臺上找一找，很可能會有驚喜竖螃。
- 視頻淑廊。視頻教程的好處，是可以用更為形象生動的方式特咆，給你展現(xiàn)動態(tài)的過程季惩。而且，有時你還能直接感受到講者的幽默腻格。
- 課程画拾。如果你需要形成知識基礎，系統(tǒng)化的課程可以讓這一過程快捷高效菜职。
- 代碼青抛。對于那些技術性的問題，數(shù)學描述算法有時候會讓人有疑惑酬核。這時候蜜另，閱讀源代碼，甚至編程實踐出來愁茁，會極大提升你的理解程度蚕钦。
當然，這不是全部鹅很。
最好的方式嘶居，當然是與專家甚至是作者本人，做面對面的高效溝通反饋。當然邮屁，這樣的機會很稀缺整袁。如果你遇到，一定要抓住佑吝。
專欄
告訴你一個好消息坐昙。
我在少數(shù)派（sspai）的第一個訂閱專欄《科研新手全面入坑指南》（https://sspai.com/series/75）已正式上線了。
這是我對科研方法與工具類文章的匯總芋忿、梳理與升級炸客。之前的文章，我用文內(nèi)和文末鏈接的方式戈钢，幫你找尋相關內(nèi)容和前導知識痹仙。但是，這樣讀者很容易迷失在鏈接的網(wǎng)絡中殉了，難以形成系統(tǒng)化的知識和技能架構(gòu)开仰。
少數(shù)派發(fā)現(xiàn)了這個痛點，并且和我一起薪铜，投入了大量的精力解決它众弓。
文章的排布，是我和編輯團隊重新修整和梳理過的隔箍。專業(yè)的編輯和美工幫我把它們變得更加緊湊谓娃、邏輯化，也更美觀和有趣蜒滩。
我用20多篇教程傻粘，為你介紹初窺研究門徑的研究生與高年級的本科生，很需要了解的一些科研基礎知識帮掉。包括但不限于如何選題弦悉、如何讀文獻、如何快速寫初稿……這些知識蟆炊，你的導師大約會默認你已經(jīng)學會稽莉，因此不會手把手教給你。但是你若做不到涩搓，導師很可能會覺得你基礎不牢污秆，或者不用心。你唯一能做的昧甘，就是盡快把它們補充齊備良拼，以便減輕剛剛走上科研之路時的痛苦，保護好你的好奇心與成就感充边。
除了方法庸推，我還介紹一些工具給你常侦。例如 VosViewer 。 它可以幫助你快速掃描中英文領域文獻贬媒，發(fā)現(xiàn)作者聋亡、主題之間的微妙關聯(lián)。由此际乘，你就可以快速識別已有研究的盲點坡倔、盲區(qū)，甚至是盲維脖含，從而有的放矢地找到自己研究的獨特定位與價值罪塔。
如果你正在發(fā)愁畢業(yè)論文該怎么著手做，那么這是個很好的入手時機养葵。
本文發(fā)布時垢袱，因為少數(shù)派的雙十一促銷活動，該專欄正在限時八折銷售港柜。
愿熱愛學習的你，科研之路從此走得更加扎實與順暢咳榜。
讀過本文夏醉，如果覺得有收獲，請點贊涌韩。
要讀更多的文章畔柔，微信關注我的公眾號“玉樹芝蘭”(nkwangshuyi)。別忘了加星標臣樱，以免錯過新推送提示靶擦。
如果本文對你身邊的親友有幫助，也歡迎你把本文通過微博或朋友圈分享給他們雇毫。
延伸閱讀
你可能也會對以下話題感興趣玄捕。點擊鏈接就可以查看。
- 如何用 Python 和深度遷移學習做文本分類棚放？
- 如何用 Python 和 BERT 做中文文本二元分類枚粘？
- 如何用 Python 和 BERT 做中文文本二元分類？
- 如何用 Python 和 BERT 做多標簽（multi-label）文本分類飘蚯？
- 如何在 fast.ai 用 BERT 做中文文本分類馍迄？
題圖： Photo by Tim Gouw from Pexels
