從“價(jià)值、必要、討論和工具”這四個角度，把一些容易踩的坑提示給你，助你順利完成研究論文撰寫。

挫折

我的一個三年級研究生，最近比較焦慮。

焦慮的原因，是預(yù)答辯的效果不理想。

最重要的原因，你肯定能猜到，是他拖延癥犯了。不到最后一刻，也不肯交出初稿，說要繼續(xù)修改（其實(shí)是一直沒寫完）。最后一行字剛落筆，就直接去預(yù)答辯了。裝備都沒配齊全，就沖入了槍林彈雨的戰(zhàn)場，后果可想而知。

但是，他的焦慮，目前主要來自于另外一個方面，就是面對批評意見，一時(shí)有些懵。

我在文中不止一次描述過這種“文科生”——沒有IT技術(shù)背景，本科專業(yè)屬于文科類，碩士畢業(yè)論文用技術(shù)手段解決應(yīng)用問題。

他的研究中，就使用了機(jī)器學(xué)習(xí)中的監(jiān)督式方法，對社交媒體文本是否包含隱私內(nèi)容，進(jìn)行了分類訓(xùn)練。在驗(yàn)證集上，準(zhǔn)確率和F1分?jǐn)?shù)，都為60%多。

這幾年，他在我的鼓勵下，不斷學(xué)習(xí)數(shù)據(jù)科學(xué)相關(guān)教程。

他看到了自己的進(jìn)步，信心越來越強(qiáng)。從前認(rèn)為永遠(yuǎn)無法企及的機(jī)器學(xué)習(xí)方法，現(xiàn)在會用了；從前面對數(shù)據(jù)無從下手，想不到解決思路，現(xiàn)在水到渠成。而且因?yàn)閷W(xué)習(xí)MOOC，英文和數(shù)學(xué)能力也有了提升。所以，預(yù)答辯之前，他對自己論文的評價(jià)預(yù)期很高。

他沒有想到，自己的論文居然存在這么多的嚴(yán)重問題。一時(shí)感到很是沮喪和挫折。

我把老師們給他提出的意見，在這里列出來：

1. 你使用了機(jī)器學(xué)習(xí)的方法，但只是調(diào)用了已經(jīng)標(biāo)準(zhǔn)化的工具（scikit-learn）而已。文中對工具本身和使用方法做了過于細(xì)致的描述，卻并沒有體現(xiàn)出自己的技術(shù)改進(jìn)；
2. 你對機(jī)器學(xué)習(xí)的使用，滿足于做出一個分類的結(jié)果，就如同做了一個項(xiàng)目作業(yè)一樣，缺乏深入的討論；
3. 你的分類效果，只有60%多的準(zhǔn)確率，遠(yuǎn)不及人工水平。這樣的結(jié)果，是否有價(jià)值？
4. 你的流程參考了一篇英文文獻(xiàn)對Twitter文本的隱私分類。人家已經(jīng)探索了，在英文文本上自然語言處理可以分類隱私曝露程度。那你這份研究，無非是從英文換成了中文而已，是否還有必要性？

老師們的說法，是委婉而克制的。我翻譯了一下，就是說這篇論文“工具化、缺討論、無價(jià)值、沒必要”。

現(xiàn)在，你明白為什么他要焦慮了吧？

這樣下去，連畢業(yè)都堪憂。

對于拖延，他很愧疚。給我寫了一份長長的檢查，讀來還算實(shí)事求是。

亡羊補(bǔ)牢，為時(shí)未晚。

我于是幫他分析了目前存在的問題，以及對應(yīng)的修改策略。下文我會一并分享給你。

你可能會奇怪——老師，這東西針對你學(xué)生問題寫的，為什么要分享出來呢？

因?yàn)樽詮奈议_始在網(wǎng)上寫數(shù)據(jù)科學(xué)教程以來，收獲了許多讀者的反饋。從這些反饋中，我看到了來自許多專業(yè)的同學(xué)，特別是那些“文科生”，都在努力掌握機(jī)器學(xué)習(xí)方法，并且應(yīng)用到自己的研究，甚至是畢業(yè)論文中。

而與此同時(shí)，從指導(dǎo)研究生，參加開題答辯、學(xué)術(shù)論壇，以及給期刊審稿的過程里，我也發(fā)現(xiàn)，許多這樣應(yīng)用了數(shù)據(jù)科學(xué)，特別是機(jī)器學(xué)習(xí)方法的研究，做出來的結(jié)果，也多會存在同類問題，讓人有類似的質(zhì)疑。

很多時(shí)候，問題并非來自于研究本身缺乏價(jià)值。而在于作者在寫作的過程中，抓不住重點(diǎn)，不知道應(yīng)該著重匯報(bào)和討論哪些東西，導(dǎo)致了很多的誤解。

如果你也有計(jì)劃，把機(jī)器學(xué)習(xí)應(yīng)用在自己的研究論文里，我覺得后面的內(nèi)容，可能會對你有幫助。

下面針對他論文里面存在的問題，我分別談以下4個方面：

• 價(jià)值
• 必要
• 討論
• 工具

細(xì)心的你，一定注意到了，咱們這里的內(nèi)容，和老師們提出問題是相呼應(yīng)的，但是順序并不一致。

為什么呢？

希望讀完全文之后，你能自己體悟到這個順序的意義。

價(jià)值

咱們先說說價(jià)值。

研究價(jià)值，是一篇論文的靈魂。文字寫得再精妙，如果沒有研究價(jià)值，也不值得做。

更為詳細(xì)的論述，請你參考我那篇《什么樣的開題報(bào)告會被斃掉？》。

這里涉及到一個具體的價(jià)值評判標(biāo)準(zhǔn)問題：如果機(jī)器分類效果，比不上人工水平，那么值不值得做？

直覺會第一時(shí)間告訴你——不值得?。〖热蝗丝梢宰龅酶?，就讓人做唄。只有機(jī)器性能超越了人類，研究成果才值得發(fā)表嘛！

但是，仔細(xì)想想看，這種論斷，不僅和學(xué)術(shù)界的共識不同，也違背你的常識。

你叫來一個人，讓他分辨一張照片是貓還是狗。他會覺得小菜一碟，準(zhǔn)確率也會很高。

反之，你讓機(jī)器來判別貓和狗。即便是目前最尖端的計(jì)算機(jī)視覺技術(shù)，也會出現(xiàn)在人類看來，非常顯而易見的疏漏。

你可能會因此對機(jī)器的“智能”嗤之以鼻。

且慢。

剛才的情境，只是去分辨一張照片。對吧？

十張八張呢？似乎也沒問題啊。

可假如，你讓這個人分辨一千萬張照片呢？

他扭頭就跑了，對不對？

因?yàn)檫@個任務(wù)，不僅繁重，而且枯燥，機(jī)會成本太高。

有做這件事的時(shí)間，他可以做很多更有意義和趣味的活動。

機(jī)器的好處，這時(shí)候就體現(xiàn)出來了。它任勞任怨，不知疲憊，運(yùn)算速度還快?？梢詭臀覀冊诤芏痰臅r(shí)間內(nèi)，完成成千上萬張照片的分辨結(jié)果。

你說分析這么多張照片，真的有用嗎？

當(dāng)然有。往遠(yuǎn)了說，你可以看看電影《少數(shù)派報(bào)告》，了解一下大規(guī)模圖片分析的前景。往近了說，你可以回顧一下新聞，看看那些過馬路闖紅燈的行人，是如何立即連同個人信息，被展示在大屏幕上的。

這就是人和機(jī)器的區(qū)別。我們懶，我們喜歡精彩，不喜歡重復(fù)。發(fā)明機(jī)器，讓它們替我們做自己不愿意從事的工作。哪怕機(jī)器做的，不如自己做得好，我們也能忍受。或者說，也得選擇忍受。

你現(xiàn)在做的這個研究，是通過機(jī)器學(xué)習(xí)的方法，來輔助用戶判斷，他即將發(fā)布的信息是否包含隱私，并且進(jìn)行提醒，防患于未然。

一個主流社交媒體平臺，每天要有多少人發(fā)信息？每一條信息都讓人來幫你判斷是否包含隱私，來得及嗎？靠譜嗎？誰又能來支付這么龐大的成本？

而且，你立即想到了一個更大的不妥吧。

對，你要發(fā)布的內(nèi)容，如果包含了隱私，卻已經(jīng)被平臺雇傭的審核人員一覽無余，預(yù)先看了去。那還何談隱私保護(hù)呢？

所以你看，這個任務(wù)，交給計(jì)算機(jī)來做，比交給人來做，靠譜許多。

因此，在你的研究中，把分類效果與人工水準(zhǔn)進(jìn)行對比，沒有必要，也沒有道理。

但是人工分類水準(zhǔn)卻不可不提，它應(yīng)該出現(xiàn)在你的數(shù)據(jù)標(biāo)注環(huán)節(jié)。

監(jiān)督學(xué)習(xí)是需要訓(xùn)練數(shù)據(jù)的，即數(shù)據(jù)要有標(biāo)簽。這些標(biāo)簽，是人打上去的。人標(biāo)注的準(zhǔn)確率，直接關(guān)系到你的數(shù)據(jù)質(zhì)量。馬虎不得。

你訓(xùn)練的模型，分類效果如果不跟人比，那跟誰比呢？

跟別人的模型比嗎？

要對比別人的模型，前提有兩個：

• 別人的模型已存在
• 你的模型效果優(yōu)于別人的

假設(shè)別人的模型，準(zhǔn)確率做到了70%，那么你即便做到69%，也別寫了。因?yàn)?strong>沒有價(jià)值。

但是，每一個學(xué)科領(lǐng)域，甚至是具體的研究問題，如果要應(yīng)用機(jī)器學(xué)習(xí)監(jiān)督分類，都會有第一篇文獻(xiàn)，對吧？這可算作是探索性研究。

這樣的研究，該跟誰去比呢？

通例是，跟一個空模型(null model)去對比。

什么是空模型？

還記得許多教科書里面，告訴你對數(shù)據(jù)要做平衡分類嗎？就是二元分類任務(wù)，訓(xùn)練集和測試集里面，都是50%貓，50%狗。

你可能一直約定俗成也這樣做。但是為什么？

現(xiàn)在原因就呼之欲出了。

這么做，你可以很容易構(gòu)造空模型。

所謂空模型，就是在貓狗分類中，不分青紅皂白，也不去分析圖片特征，把所有的樣本都猜測成“貓”（或者全都猜成“狗”）。這就是一本正經(jīng)地亂猜。

想想看，這樣的空模型，準(zhǔn)確率是多少？

當(dāng)然一定是50%了。不會更高，卻也不會更低。穩(wěn)定得很啊。這個數(shù)值，也稱作隨機(jī)基線準(zhǔn)確率（Random Baseline Accuracy）。

好了，你就跟它比。

只要比空模型好，就意味著你的模型存在意義，因?yàn)榭雌饋?，它從樣本的特征?strong>把握到了有用的信息，比瞎猜強(qiáng)。

注意，這里你要通過完整的規(guī)范論述流程，排除隨機(jī)性的影響。后文會有詳細(xì)說明。

看到?jīng)]有，只要你的模型，是這個細(xì)分領(lǐng)域中的第一個，那你就不需要跟別人的模型，錙銖毫厘去爭短長。

這也是為什么，我一直對你的拖延癥有意見。

科研活動不是一次散步，可以讓你從容游覽把玩。它是一場賽跑。跑到第一個，你只需要跟空模型比。你的研究，會被賦予開創(chuàng)性、探索性的標(biāo)簽。而且很有可能，因?yàn)檫@種先發(fā)優(yōu)勢，被后續(xù)許多研究引用，讓你獲得與自己的實(shí)際投入并不相稱的學(xué)術(shù)聲譽(yù)。這是典型的“低垂果實(shí)”，也叫做“甜買賣”。

而一旦跑慢了，成了第二名進(jìn)入者。那不好意思，你就只能淪落到和別人去比了。如果你研究的，是一個很有價(jià)值的問題，那即便你拼盡全力，讓自己的結(jié)果短暫領(lǐng)先。人們也幾乎可以斷言，你很快就會被后來者超越和淹沒。而且這些后來者會不會記得引用你的成果？難說。

你做的到底是開創(chuàng)性，還是探索性研究？

這個問題，只有你自己才能回答。因?yàn)槟阆到y(tǒng)梳理過文獻(xiàn)啊。在中文社交媒體文本上進(jìn)行隱私分類，別人做過了嗎？

你當(dāng)時(shí)告訴我說，沒有。

我相信你，認(rèn)為你說的是事實(shí)。

然而，我必須提醒你注意，事實(shí)是在不斷變化的。

一年前，你開題的時(shí)候，沒人做；并不代表一年后的今天，也沒人做。所以，你得不斷跟蹤研究進(jìn)展。萬一很不妙，因?yàn)槟闶致呀?jīng)有人做了。那你的研究，就不是探索性研究了。和空模型對比，就不再合適。你必須轉(zhuǎn)而正面迎戰(zhàn)，和別人的結(jié)果去對比。想盡一切辦法提升模型效果，形成競爭優(yōu)勢。

如果遇到這種情況，你大概會嘆息自己的運(yùn)氣糟糕。但是，那也是沒有辦法的事。誰讓你拖延呢？你不該做的，是“選擇性失明”，假裝視而不見。要知道掩耳盜鈴，可是大錯特錯，直接會影響別人對你學(xué)術(shù)品德的判斷。

必要

因?yàn)楸慌u后信心不足，于是你開始懷疑自己。你說雖然自己做的是中文文本隱私分類，之前文獻(xiàn)回顧中，沒見到有人做。但是英文文本隱私分類不僅有人做過，而且你還參考了人家的流程步驟。那么自己的研究是否有必要性？

如果你在這一點(diǎn)上，質(zhì)疑自己的研究，我只能說，你對機(jī)器學(xué)習(xí)的本質(zhì)，還沒有充分領(lǐng)悟。你對數(shù)據(jù)分類的理解，還停留在 software 1.0 階段。

什么叫做 software 1.0 ？這是 Andrej Karpathy 提出的概念。

解決一個問題，software 1.0的手段，是人來設(shè)計(jì)算法，機(jī)器照章執(zhí)行。

所以，它即便再高妙，也不可能超越人的思維局限。它的復(fù)雜度，也就到那兒了。

例如前幾天有個刷屏的游戲，據(jù)說是中文系畢業(yè)的人做的。因?yàn)槌绦騿T跑路，這位仁兄不得不親自上陣。因?yàn)槿狈λ惴ɑA(chǔ)知識，所以他自己手寫了幾十萬個 if 語句。這樣居然還沒有 bug ！聽起來非常勵志。

勵志歸勵志，但是所有 software 1.0 程序的復(fù)雜度，和基于機(jī)器學(xué)習(xí)的 software 2.0 一比，差距高下立判。

software 2.0的定義，是以不斷積累的數(shù)據(jù)作為約束，在算法空間搜尋，利用優(yōu)化器，自動構(gòu)建軟件模型。

這么說有些抽象，給你舉個例子。

曾經(jīng)，人造出來的下棋程序，根本打不過人類頂尖高手。

然而，一旦用上了機(jī)器學(xué)習(xí)，圍棋大師也只好黯然神傷。

因?yàn)闄C(jī)器是自己從數(shù)據(jù)中嘗試挖掘規(guī)律，自己構(gòu)造模型。這樣，它可以通過大規(guī)模增長見識，迅速提升表現(xiàn)，甚至是超越人類。因?yàn)椤叭藶樵O(shè)定算法”這個玻璃天花板，已經(jīng)被悄悄移除了。

因此，對于機(jī)器學(xué)習(xí)來說，你用的模型越復(fù)雜，就越需要高質(zhì)量、大規(guī)模的數(shù)據(jù)支持。

聽明白我在說什么了吧？

數(shù)據(jù)的地位，空前提高。特別是那些大規(guī)模標(biāo)注數(shù)據(jù)。

你做這個研究的時(shí)候，有現(xiàn)成數(shù)據(jù)嗎？

沒有吧。

雖然社交媒體的數(shù)據(jù)，可以通過爬蟲來便捷獲取。但是對這些數(shù)據(jù)的分類標(biāo)注，才是重點(diǎn)。

你組織人力，付出時(shí)間和經(jīng)濟(jì)成本，才獲取了有標(biāo)注的數(shù)據(jù)集合。這個過程中，你實(shí)際上已經(jīng)解決了很多問題。

例如說，怎么把數(shù)據(jù)標(biāo)注樣本進(jìn)行拆分，讓若干標(biāo)注者有序并行工作？怎么把任務(wù)描述得清晰無歧義，讓個體的標(biāo)注具備穩(wěn)定性和一致性？標(biāo)注結(jié)果該如何取信，如何評估，如何驗(yàn)證？什么才算做足夠多的數(shù)據(jù)？……

對機(jī)器學(xué)習(xí)來說，如此重要的環(huán)節(jié)和內(nèi)容，被你一筆帶過。仿佛你用的，不過又是一個別人早已采集、清理和發(fā)布的公共數(shù)據(jù)集而已。因此，讀者誤解你的實(shí)際工作，把全部注意力，放到你模型的準(zhǔn)確率評判上面。

你這么寫論文，就叫做暴殄天物。

要知道，現(xiàn)在有的期刊，已經(jīng)可以刊載“數(shù)據(jù)論文”了。你構(gòu)造了一個好的數(shù)據(jù)集，本身就可以看做科研成果。是可以跟研究論文獲得同等貢獻(xiàn)對待，也是可以被引用的。

例如上圖這篇論文中，3位作者利用 Zalando 圖像數(shù)據(jù)庫，構(gòu)建了一個機(jī)器視覺分類的數(shù)據(jù)集 Fashion-MNIST，并公開發(fā)布。論文發(fā)表1年，已經(jīng)被引用了154次。

另外，你真的只是構(gòu)建了一個數(shù)據(jù)集而已嗎？

然后，你就拿著那篇英文文獻(xiàn)的方法，開心地套用到這個中文文本數(shù)據(jù)集了？

開玩笑！

你不用分詞嗎？你不需要構(gòu)建和迭代停用詞表嗎？你不需要選擇模型結(jié)構(gòu)嗎？

該重點(diǎn)寫的，研究里面的獨(dú)特內(nèi)容和實(shí)際工作，你都不好好寫。不該寫的，你反倒寫了個不亦樂乎。說你不會討論，不冤枉吧？

討論

我之前為你寫的教程，很多都會結(jié)束在“做出結(jié)果”。我給你推薦的 Coursera 平臺的 MOOC 里面，項(xiàng)目作業(yè)也只會要求到這一步。

這沒有錯啊。教程的目的，是讓你會用方法和工具。

但是不要忘了，你現(xiàn)在撰寫的，不是教程，也不是作業(yè)，而是論文。

什么是論文？

它是你和學(xué)術(shù)共同體溝通的信息單元，反映的是你做的研究。寫作的目的，是讓他人相信和接受你的研究。

論文要被別人接受和采信，得靠能自圓其說。

你提出了一個問題，找到了數(shù)據(jù)，應(yīng)用了方法，做出了結(jié)果。但是結(jié)果本身，是不是能夠讓人信服，說你解決了問題呢？

這可不一定。即便你的結(jié)果很顯著，也不一定。做到這一步，只能叫做演示。

因?yàn)檫@個世界上，存在著一種叫做小概率事件的東西。中彩票頭獎概率很低，但時(shí)常也有人會中。俗話說得好，誰家過年不吃頓餃子？

所以你寫論文的時(shí)候，腦子中時(shí)刻要有一根弦兒，就是得說服別人，你的模型達(dá)到這種效果，不是巧合。

查科同學(xué)前幾天在咱們團(tuán)隊(duì)群里，分享了一篇自然語言處理最新進(jìn)展的論文。我希望你認(rèn)真讀一下，看看該文的作者，是如何討論結(jié)果的。

僅從結(jié)果來看，模型效果已經(jīng)是非常顯著了。因?yàn)榘凑毡砀裰袛?shù)據(jù)對比，這種模型，已經(jīng)超越了人工水平。

然而，你會看到作者是在非常認(rèn)真細(xì)致地討論這種結(jié)果取得的途徑。他嘗試了各種排列組合，在多個數(shù)據(jù)集上進(jìn)行了對比……最終，讀者會被說服，這個模型確實(shí)由于設(shè)計(jì)的精妙，達(dá)到了目前最高水準(zhǔn)（state of the art）。

別誤會，我不是讓你照搬該論文的討論流程和敘述方式。因?yàn)槿思揖褪窃诟鷦e人的模型比；而你，是在跟空模型比較。

而你做出來結(jié)果之后，其實(shí)是在亂比較。居然用隨機(jī)森林和決策樹模型，對比效果。

你討論的重點(diǎn)該是什么呢？并不是你的模型最優(yōu)（不論是決策樹，還是隨機(jī)森林這模型，都不是你提出的），或者你的工具最好（scikit-learn的研發(fā)你也沒有參與），而是機(jī)器學(xué)習(xí)方法，適合于解決中文文本隱私分類問題。

你不覺得很奇怪嗎？隨機(jī)森林模型的效果，在大多數(shù)情形下，就應(yīng)該優(yōu)于決策樹模型。那在咱們討論分類模型選擇的時(shí)候，為什么二者都保留了下來呢？

因?yàn)槟悴粦?yīng)滿足于演示模型分類效果優(yōu)于空模型，關(guān)鍵是說服讀者，這種優(yōu)勢不是隨機(jī)獲得的。

怎么辦呢？

我在《如何有效溝通你的機(jī)器學(xué)習(xí)結(jié)果？》一文中給你講過，可視化是一種非常好的結(jié)果溝通手段。而在《貸還是不貸：如何用Python和機(jī)器學(xué)習(xí)幫你決策？》一文中，我曾經(jīng)給你展示過，決策樹模型的一大優(yōu)勢，就是可以做出這樣的可視化圖形：

想想看，你用的方法，是基于關(guān)鍵詞的特征。那么如果能夠描繪決策判斷過程中，哪些詞會導(dǎo)向隱私分類結(jié)果，哪些詞能導(dǎo)向非隱私分類結(jié)果，是不是就可以幫助讀者了解，你的模型是否真正抓住了自然語言中蘊(yùn)含的信息表征（representation）？

另外，演示了一個決策樹可視化圖形，你又覺得完事大吉，不知道后面該討論什么了？

注意，模型自身算法并不重要。重要的是，它是怎么被訓(xùn)練出來的。

莫非你對于每個分類模型，都滿足于直接調(diào)用默認(rèn)參數(shù)了？

有沒有進(jìn)行超參數(shù)（hyper parameter）的調(diào)整？

有沒有遇到過擬合（over-fitting）或者欠擬合的（under-fitting）問題？你是如何處理的？

有沒有繼續(xù)采集更多數(shù)據(jù)？有沒有嘗試更換不同模型結(jié)構(gòu)？

優(yōu)化器（optimizer）你是如何選取的，為什么？

學(xué)習(xí)速率（learning rate）你是怎么設(shè)定的？會不會導(dǎo)致模型學(xué)習(xí)太慢？或是難以收斂？亦或陷落到局部最優(yōu)中，難以自拔？

你在特征工程（feature engineering）上做了哪些努力？要知道，你做的并不是深度學(xué)習(xí)，所以特征的有效提取和轉(zhuǎn)化，是非常必要的。

如果你把上圖的例子都忘了，請務(wù)必復(fù)習(xí)回顧我在《如何用機(jī)器學(xué)習(xí)處理二元分類任務(wù)？》為你做的詳細(xì)解讀和說明。

工具

雖然我一直鼓勵你學(xué)習(xí)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)這樣的方法，用好 Keras 和 scikit-learn這樣的優(yōu)秀框架工具。但是你真的不應(yīng)該因?yàn)檎莆樟怂鼈?，而沾沾自喜?，F(xiàn)在看你的論文，就彌散著這種味道。似乎你會用機(jī)器學(xué)習(xí)，所以很了不起。

這種驕傲的態(tài)度，也會讓讀者和評閱專家反感。

說句讓你不那么開心的話——你能夠如此快速地掌握和應(yīng)用這些前沿技術(shù)，主要是因?yàn)殚T檻越來越低。

以圖像處理為例。2012年以前，如果你要讓計(jì)算機(jī)對貓狗照片分類，并且獲得很高的準(zhǔn)確率，幾乎所有前沿學(xué)者都會告訴你：

那是不可能的！

因?yàn)樗麄冇玫姆椒?，是手工提取特征。然后再讓機(jī)器，對手工提取后的特征，進(jìn)行分類操作。

上圖來自這里。它介紹了手工特征提取的不足。不難看到，為了給“熊貓”圖片有效提取特征，你需要考慮多少種情況。特別是看到熊貓打滾的時(shí)候，你會有怒火中燒的感覺，恨不得勒令它保持一個姿勢，不要動。

因此，當(dāng)時(shí)的分類算法，特別“勞動密集型”。如果你想在國際大賽中取得佳績，真是得“一分耕耘，一分收獲”。

可是現(xiàn)在呢？

假如你用 fast.ai 深度學(xué)習(xí)框架，進(jìn)行貓狗分類，那你根本不需要考慮任何特征提取的問題。寫以下幾行代碼就可以了：

from fastai import *
from fastai.vision import *
from fastai.docs import *

untar_data(DOGS_PATH)

data = image_data_from_folder(DOGS_PATH, ds_tfms=get_transforms(), tfms=imagenet_norm, size=224)
img,label = data.valid_ds[-1]

learn = ConvLearner(data, tvm.resnet34, metrics=accuracy)
learn.fit_one_cycle(1)

好了，從數(shù)據(jù)獲取，到模型構(gòu)建，甚至是結(jié)果分析，全都做完了。

這幾行代碼構(gòu)建的模型，能有多高的準(zhǔn)確率呢？

答案是這樣的：

對，你沒看錯，即便是這幾行代碼，只把數(shù)據(jù)跑了一個來回（epoch），貓狗分類準(zhǔn)確率就已經(jīng)超過 99% 了。

正是 Scikit-learn, Tensorflow, Keras, fast.ai 這樣的開源框架不斷涌現(xiàn)，大批優(yōu)質(zhì)教程擴(kuò)散傳播，機(jī)器學(xué)習(xí)才能在幾年的時(shí)間里，從高不可攀的“秘密武器”，變成了每個人觸手可及的研究工具。

你要明白，能讓你這么簡單使用如此強(qiáng)大的工具，是千千萬萬人協(xié)作的結(jié)果。而你，是這一張協(xié)作網(wǎng)絡(luò)中的一份子。

你應(yīng)用機(jī)器學(xué)習(xí)工具，做有意義的研究，就是在給這張網(wǎng)絡(luò)做出回饋。

嘗試擴(kuò)大機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域，讓更多的人意識到新工具的特點(diǎn)和功能，并且一起來學(xué)習(xí)使用它。這些，都會給你論文的意義和價(jià)值加分。

既然沒有門檻，大家都能用，那你這么強(qiáng)調(diào)它干嘛？

我在《如何選研究題目？》一文中，也給你談到了信息科學(xué)界一流學(xué)者的共識，即千萬不要工具導(dǎo)向。

當(dāng)你手里只有一把錘子的時(shí)候，看什么都像釘子。但是當(dāng)你擁有豐富的工具箱時(shí)，你會實(shí)事求是，用合適的工具處理對應(yīng)的問題。

時(shí)刻記住，你的研究，無論如何應(yīng)該是從問題出發(fā)的。機(jī)器學(xué)習(xí)恰好適合解決這個問題，那就用它。否則，該用什么適合的方法，就用什么。

小結(jié)

針對預(yù)答辯的反饋意見，我從“價(jià)值、必要、討論和工具”這四個角度，幫你分析了論文中問題產(chǎn)生的原因，以及具體的對策。

小結(jié)一下，就是：

首先，一定要把握價(jià)值。根據(jù)研究的特殊性，選擇合適的評價(jià)體系，加以合理闡釋；

其次，說明必要性的時(shí)候，一定要了解機(jī)器學(xué)習(xí)和傳統(tǒng)算法解決問題的本質(zhì)差異。尤其是不要忽視數(shù)據(jù)這個重要維度；

第三，論文不是演示，不能缺乏討論。通過讀文獻(xiàn)，掌握討論、比較的具體方法，利用可視化的方法提升證據(jù)說服力，要著重強(qiáng)調(diào)模型是如何被訓(xùn)練出來的，而不是模型自身的算法；

第四，千萬不要踩進(jìn)“工具導(dǎo)向”的坑。要看清楚簡單易用的機(jī)器學(xué)習(xí)框架背后，這個巨大的、快速進(jìn)化的協(xié)作網(wǎng)絡(luò)。既要隨時(shí)跟蹤最新進(jìn)展，站在巨人肩膀上前進(jìn)，又要時(shí)刻告誡自己不要高估自己個體的作用。

另外，就是我希望你也能夠通過自己的研究，給學(xué)術(shù)界和機(jī)器學(xué)習(xí)技術(shù)社區(qū)以正向反饋。

寫得內(nèi)容有點(diǎn)兒多，希望你能認(rèn)真讀完。抓緊時(shí)間修改完善論文吧，力爭順利畢業(yè)。

喜歡請點(diǎn)贊和打賞。還可以微信關(guān)注和置頂我的公眾號“玉樹芝蘭”(nkwangshuyi)。

如果你對 Python 與數(shù)據(jù)科學(xué)感興趣，不妨閱讀我的系列教程索引貼《如何高效入門數(shù)據(jù)科學(xué)？》，里面還有更多的有趣問題及解法。

如果你有疑問，歡迎進(jìn)入知識星球上咱們的專屬社區(qū)。