关于“代码只是工具”这一观点，不能一概而论，关键取决于研究者所处的阶段。若已能熟练运行基线模型（Baseline）、理清论文与代码的对应关系并独立修改模型，代码确实仅作为实现理论的工具。但对于研一新生而言，若仍受困于环境配置、无法定位或运行论文代码，此时空谈理论创新并不现实。
因此，对于大多数研一学生，首要任务是打通“论文→代码→实验”的学习闭环。为此，整理了一套辅助学习资料，旨在帮助学习者系统掌握该路径：
-
627篇经典神经网络及其变体论文+代码：按技术路线分类，便于定向查找与练习。 -
论文+代码复现记录表+修改/创新检查清单：引导从运行基线、对照源码到尝试修改的完整流程，避免无从下手。
这种组合训练方式比单纯阅读论文更利于快速上手。具体实施可分为以下四个步骤：
1. 先跑通基线
选取一篇与研究方向相关的论文，优先运行其官方代码。初期无需深入钻研源码细节，重点在于厘清数据输入流程、模型运行机制以及基线结果指标。
2. 再对照源码
将论文与代码结合阅读。明确论文中的网络结构、功能模块及损失函数在代码中的具体实现位置，逐步建立“理论方法”到“代码实现”的映射关系。
3. 然后尝试修改
此阶段至关重要。不必急于提出全新理论，可从简单修改入手，如替换模块、调整损失函数、改变特征融合方式或优化网络结构等。即使细微改动，也能有效锻炼实验能力。
4. 最后探讨创新
在具备运行和修改模型的经验后，深入思考作者的设计逻辑、替代方案的可行性以及方法的迁移潜力。此时寻找创新点，远比凭空构思理论更为务实可靠。
前述的“修改/创新检查清单”即应用于此阶段，通过系统梳理可改进之处，并依据实验结果判断值得深挖的方向。
总结
研一阶段并非在代码与理论间二选一，而是应先通过代码落地理论，再从实验中反推问题。尽管导师强调“理论创新”的重要性，但对于缺乏实际实验经验的学生而言，难以评估创新的实际意义。唯有通过大量的论文阅读、代码运行及实验修改，真正有价值的研究问题才会自然浮现。