大数跨境
首页
>
极大提高效率：深度学习论文写作工具杂谈
>
0
0

极大提高效率：深度学习论文写作工具杂谈

极大提高效率：深度学习论文写作工具杂谈 极市平台
2022-12-15
0
导读：6种提升效率的神器
↑ 点击蓝字 关注极市平台

来源｜机器学习初学者
作者｜黄海广
编辑丨极市平台

极市导读

 

超实用的写论文必备效率神器，六个可以大幅度提高写作效率的必备工具分享。>>加入极市CV技术交流群，走在计算机视觉的最前沿

本人在写论文的时候，用到了很多工具，可用说这些工具可以大大提高写论文的效率，本文分享下作者常用的论文神器。


本文介绍以下几种工具：

  • 论文管理神器Zotero

  • OCR神器（公式识别等）

  • Latex工具

  • 语法校对工具

  • 论文翻译

  • 论文绘图工具


论文管理神器Zotero


一、Zotero简介
Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件，如今已被广泛使用。此篇使用说明主要分享引用研究资源功能，其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。欢迎所有共同学习使用的朋友提供批评意见或补充使用经验。

下载地址：https://www.zotero.org/download/
ubuntu下安装zotero： 
  

   sudo apt-add-repository ppa:smathot/cogscinl # Say yes/press enter to accept any requests.$ sudo apt-get update# Wait for it to complete, then:$ sudo apt-get install zotero-standalone

二、新建分类

步骤：我的文库→右键→新建分类→输入名称→鼠标右键我的文库→出现新建文件夹


三、英文文献信息导入
步骤（非常简单）：
在新建目录下→鼠标拖入英文文献→右键重新抓取PDF文件的元数据→获取文献基本信息
备注：一些时间久远的英文论文也不能直接抓取数据，具体信息抓取方法参照第四部分中文文献的信息导入。


四、中文文献信息导入
步骤（稍复杂）：
1. 在Text目录下→鼠标拖入中文文献
2. 在百度学术搜索文献→点击批量引用→导出到BibTex→下载


3. 用记事本打开下载好的.bib文件→复制全部内容


4. Zotero界面文件一栏→选择从剪贴板导入


5. 将PDF文件鼠标拖至刚导入文件成为其子文件→完成中文文献的信息抓取


五、插入文献
步骤：
1. Word中点击菜单栏中的“Zotero”工具栏→选择要引用的方式（默认选项没有的引用方式参见第六部分）


2. 鼠标光标置于要插入上角标处（即下图2处）→点击下图1处所示图标→2处出现红框内文字，3处出现Zotero快速格式化引文→点击快速格式化引文左边图标选择经典视图


3. 出现“添加/编辑引文”对话框→选择要引入的文献，点击OK


4. 下图1处出现上角标→光标置于参考文献3处→点击2处→3处引入参考文献成功


5. 其他文献可依次插入。Zotero有个特别强大的功能，如果中间一部分引文被删除，点击工具栏的Refresh，上角标以及参考文献会自动更新。

六、寻找非默认引文格式
步骤：
点击左上角Add/Edit
Citation工具→选择右下角管理样式→在 Zotero Style Repository对话框寻找想要的引文格式


七、使用坚果云同步文献
zotero只给了300m的空间，大概只能放80来篇文献的全文文件，如果文献较多就不能同步全文。注意：使用同步功能要先注册zotero账号。解决方法：使用坚果云：
坚果云官网:https://www.jianguoyun.com/

注意关闭手机验证，设置如图：


八、使用插件
Zotero还有不少插件，比较有名的是zotfile，Zotero DOl Manager，它们可以自动下载pdf，或者获取论文的DOI。

具体使用方法可以网上搜索获取。

OCR神器（公式识别等）
我发现了一个神奇的OCR工具：天若OCR，功能真的很好很强大。

免费版本可以识别图片文本，收费版本也不贵，59元一次性买个专业版，可以定义接口。

软件具有文本识别、翻译等功能，这些通用功能我就不展开说明了，我着重推荐两个功能：公式识别和表格识别。

公式识别

我之前推荐过公式的识别神器mathpix，真的很好用，但是免费的只有每个月50次，不够。

天若OCR可以设置mathpix的接口，mathpix接口一个月免费1000次识别，应该够了，注册的时候要绑定信用卡（注册过程要科学上网），识别效果：
原图片公式
识别后的公式，可以导出tex或者保存为word文件

表格识别
一般的OCR软件识别文字都问题不大，但是表格识别却是个问题，解决这个问题，这里推荐下腾讯优图的接口，目前每天200次识别免费。在天若OCR里配置好表格识别的接口为腾讯优图后，识别效果如下：


Period
#Node
#Edge
Diameter
#WCC
APL
Over one week
11653
92118
36
200
11
Over two weeks
9904
40772
73
737
24
Over four weeks
6900
14646
18
1433
4
原始表格图片

识别表格效果

识别后的表格，可以直接导入到word：

导入word效果

天若还可以对三线表添加网格后进行识别，非常方便。

在线的latex编辑和编译工具：overleaf
论文最终展现出来的就是一个PDF格式的文档。

当然可以使用word，但光排版这件事情，就能耗费你一半的精力。

正确的答案是，使用latex，它是一个专业的排版工具，按照latex的语法进行写作，执行编译就能够得到PDF文件。它的语法包含了如何排版，虽然相比word上手要慢，但在排版这件事情上，入门级别的latex语法，你要达到精通word的水平。

latex如何使用呢？当然，要安装编译器，再安装编辑器，本地一通配置，偶尔会遇到些问题，凭着强大的谷歌搜索，倒也不是什么难事。配置本地环境，不如直接使用在线编辑器。

www.overleaf.com
  • 注册即用，免去本地latex环境安装的痛苦。
  • 多人合作，共同编辑。
  • 富文本编辑模式，比写latex源码舒服些。
  • 随时可以完成在线编译，查看PDF。





按照overleaf的开始流程，有选择模板的过程，模板怎么选，还是要看投稿的期刊或者会议的要求。以KDD为例，在它的KDD 2019 Call for Research Papers页面上，给出了模板格式，看看能不能在overleaf上找到，即使没有，一会提供下载，自己上传到overleaf。


走过这一步，已经可以编译出模板PDF了，可以照猫画虎地写起来了。


grammarly：语法纠错神器
https://app.grammarly.com/

在这编辑文章的一句或一段话，语法出错了会有提示，低级的语法错误都能够避免。
语法纠错

除了语法纠错之外，还有同意替换功能，我的塑料英语能想到的词汇都太过常见，不够精准（逼格不足），选中词就可以同义替换了。
同意替换

建议在word软件中安装grammarly插件，直接可用在word中进行语法校对和纠正。

谷歌翻译
开始写作前，要纠结一个问题，是先写中文再翻译，还是直接写英文？我觉得，怎么快怎么来，避免拖延，快速开始。英语不过关，翻译软件来凑。

有时候不知道怎么开始一个句型，先中文拿到英文句型的轮廓，再靠着自己的塑料英文加上更多的辅助工具完善，不失为一个好的选择。

translate.google.cn

一个秘传用法：中翻英，改英文，英翻中，改中文。。。反复迭代。

论文绘图工具
机器学习绘图

1.Scikit-plot

本人在写机器学习相关论文的时候，很多图片是用matplotlib和seaborn画的，但是，我还有一个神器，Scikit-plot，通过这个神器，画出了更加高大上的机器学习图，本文对Scikit-plot做下简单介绍。

仓库地址：
https://github.com/reiinakano/scikit-plot
里面有使用说明和样例（py和ipynb格式）。

使用说明

简单举几个例子：

  • 比如画出分类评级指标的ROC曲线的完整代码：


        

         from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)
nb = GaussianNB()
nb.fit(X_train, y_train)
predicted_probas = nb.predict_proba(X_test)
# The magic happens here
import matplotlib.pyplot as plt
import scikitplot as skplt
skplt.metrics.plot_roc(y_test, predicted_probas)
plt.show()


图：ROC曲线

  • P-R曲线就是精确率precision vs 召回率recall 曲线，以recall作为横坐标轴，precision作为纵坐标轴。首先解释一下精确率和召回率。

图：P-R曲线

  • 混淆矩阵是分类的重要评价标准，下面代码是用随机森林对鸢尾花数据集进行分类，分类结果画一个归一化的混淆矩阵。

图：归一化混淆矩阵

  • 其他图如学习曲线、特征重要性、聚类的肘点等等，都可以用几行代码搞定。

图：学习曲线、特征重要性

仓库地址：
https://github.com/reiinakano/scikit-plot
里面有使用说明和样例。

2.SciencePlots

SciencePlots是一个专门为科研论文打造的轻量化的绘图工具包

网址：
https://github.com/garrettj403/SciencePlots
Github里有实用说明。

简易入门：只需要导入matplotlib工具包，选择相应的style即可。例如，如果想要给Science投稿，那么只需要引入下列的主题： 
         

          import matplotlib.pyplot as pltplt.style.use('science')
需要使用IEEE的格式，则是
         

          import matplotlib.pyplot as pltplt.style.use(['science','ieee'])



但是需要注意的是，IEEE的格式会覆盖一些Science的风格，例如列宽，行距等。

绘制结果如下：

深度学习绘图

1.ML Visuals

ML Visuals是一项新的协作努力，通过提供免费的专业、引人注目的和足够的视觉和图形，帮助机器学习社区改进科学交流。您可以在演示文稿或博客文章中自由使用视觉效果。

这个项目地址为：
https://github.com/dair-ai/ml-visuals
Github上面有说明如何使用，大家可以自定义自己需要的图形，上面已经提供了基本的元素，根据自己的需求去调整使用即可！

部分模板：

我们来看一下有哪些模板啊，别急，总共32页ppt，我们看几个：
2.PlotNeuralNet

这个工具是萨尔大学计算机科学专业的一个学生开发的
首先我们看看效果，其github链接如下，将近4000 star：
https://github.com/HarisIqbal88/PlotNeuralNet
看看人家这个fcn-8的可视化图，颜值奇高。
使用的门槛相对来说就高一些了，用LaTex语言编辑，所以可以发挥的空间就大了，你看下面这个softmax层，这就是会写代码的优势了。

参考

[1]：知乎：九老师
[2]：https://www.zotero.org
[3]：https://github.com/reiinakano/scikit-plot
[4]：https://github.com/garrettj403/SciencePlots
[5]：https://github.com/HarisIqbal88/PlotNeuralNet
[6]：https://github.com/dair-ai/ml-visuals
[7]:   AI算法与图像处理(公众号)
[8]:   有三AI(公众号)

总结

本文分享下作者常用的论文工具，希望对读者写论文有所帮助，祝各位读者都能写出高大上的论文。

公众号后台回复“CNN100”，获取100 篇 CNN 必读的经典论文资源下载

极市干货

技术干货：数据可视化必须注意的30个小技巧总结｜如何高效实现矩阵乘？万文长字带你从CUDA初学者的角度入门

实操教程：Nvidia Jetson TX2使用TensorRT部署yolov5s模型｜基于YOLOV5的数据集标注＆训练，Windows/Linux/Jetson Nano多平台部署全流程

# 极市原创作者激励计划 #


极市平台深耕CV开发者领域近5年，拥有一大批优质CV开发者受众，覆盖微信、知乎、B站、微博等多个渠道。通过极市平台，您的文章的观点和看法能分享至更多CV开发者，既能体现文章的价值，又能让文章在视觉圈内得到更大程度上的推广，并且极市还将给予优质的作者可观的稿酬！

我们欢迎领域内的各位来进行投稿或者是宣传自己/团队的工作，让知识成为最为流通的干货！

对于优质内容开发者，极市可推荐至国内优秀出版社合作出书，同时为开发者引荐行业大牛，组织个人分享交流会，推荐名企就业机会等。


投稿须知：
1.作者保证投稿作品为自己的原创作品。
2.极市平台尊重原作者署名权，并支付相应稿费。文章发布后，版权仍属于原作者。
3.原作者可以将文章发在其他平台的个人账号，但需要在文章顶部标明首发于极市平台

投稿方式：
添加小编微信Fengcall（微信号：fengcall19），备注：姓名-投稿
△长按添加极市平台小编
点击阅读原文进入CV社区
获取更多技术干货


【声明】内容源于网络
0
0
极市平台
为计算机视觉开发者提供全流程算法开发训练平台，以及大咖技术分享、社区交流、竞赛实践等丰富的内容与服务。
内容 8155
粉丝 0
极市平台 为计算机视觉开发者提供全流程算法开发训练平台，以及大咖技术分享、社区交流、竞赛实践等丰富的内容与服务。
总阅读5.7k
粉丝0
内容8.2k