代码及复现
清单
依赖项
硬件条件及软件条件。如果你用的语言是 Python，那么当使用 pip 和 virtualenv 时，你需要提供 requirements.txt 文件；当使用 anaconda 时，你需要提供 environment.yml 文件；当使用的是代码库时，你需要提供setup.py。
训练脚本
命令行包装器如train.py包含超参数和trick，运行后可获得论文结果。
评估脚本
命令行包装器如eval.py包含模型评估和实验细节
预训练模型
标准化模型界面：
- PyTorch Hub
- Tensorflow Hub
- Hugging Face NLP models
托管平台：
- Zenodo
- GitHub Releases
- Google Drive
- Dropbox
- AWS S3
结果
README 文件包含结果和能够复现这些结果的脚本。
总结
复现
这样的学习方法令人沮丧。尝试复现论文的流程大致如下：
- 一些达到新 SOTA 的论文在新闻媒体中引起关注；
- 读者深入研究或快速浏览论文内容；
- 读者对论文中的实验结果印象深刻，并产生复现的兴趣。
接下来就是疯狂搜索项目代码，并尝试在作者所用的数据集上运行代码
流程（无公开代码）：
唯一目的：减少返工。
- 先精读paper，对于算法或模型的概览心中有数，对于每个子模块能够以流程图或者伪代码阐述。
- 深入算法流程（paper的流程问题未搞清楚禁止后续），包括子函数的输入输出、检查可能的逻辑漏洞。
- 选择状态好且有整块时间的时候。
- 按照算法流程来写代码，优先确定数据结构，明确定义变量。
- 每段函数完成需有注释并通过测试。
- 完成上述清单要求
常见问题
- 私有数据集或缺少预处理步骤；
- 对GPU资源的需求不切实际。
其它资源
数据下载：Academic Torrents
可视化工具：HiPlot，帮助你在使用不同参数组合时将模型结果可视化。
Reference
标签：论文,模型,代码,py,复现,流程 来源： https://www.cnblogs.com/icodeworld/p/15216101.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。