寫代碼複現論文的幾點建議！

不知道大家有時候會不會有一個很好的idea，但是就是寫不出來具體的代碼，或者寫的代碼不夠高效。

其實這種情況所有人都會遇到：

• ​

  ​場景1​

  ​：比賽期間有一個新特征的方法，但是用pandas實作太慢，時間複雜度太高。
• ​

  ​場景2​

  ​：科研或工作遇到一個新問題，進入一個新領域，不知道如何開始。
• ​

  ​場景3​

  ​：複現别人的深度學習論文，但就是沒法成功。

場景1：代碼太慢

現在不管是比賽還是常見的資料處理，都會遇到大規模的檔案。此時如果你代碼寫的不夠高效，代碼肯定會運作的很慢很慢，基本上沒法滿足要求。

步驟1：寫出基礎代碼

使用少量資料集來實踐你的思路，代碼可以不用很優化，優先寫出來即可。寫完後建議封裝為函數，友善調用。

步驟2：優化代碼邏輯

在不斷增加資料量的過程中，你會發現代碼越來越慢，逐漸達到你的預期上限。此時你應該嘗試去優化你的代碼了。

優化代碼有一些基礎的邏輯：

1. 代碼本身足夠高效嗎？
2. 代碼是否利用了所有的CPU/GPU？

例如在使用Pandas時，如果不了解具體的文法，很容易将代碼寫成​

​for​

​循環，可以參考以下優化過程。

• 下标循環

df1 = df
for i in range(len(df)):
    if df.iloc[i]['test'] != 1:
        df1.iloc[i]['test'] = 0      

• Iterrows循環

i = 0
for ind, row in df.iterrows():
    if row['test'] != 1:
        df1.iloc[i]['test'] = 0
    i += 1      

• Apply循環

df1['test'] = df['test'].apply(lambda x: x if x == 1 else 0)      

• 内置函數

res = df.sum()      

• Numpy函數

df_values = df.values
res = np.sum(df_values)      

步驟3：提高資源使用率

當你逐漸對Pandas和Numpy的熟悉過程中，你會發現自己的代碼也運作的越來越快。如果最終代碼都是用内置函數實作，基本上已經很好了。

但也可以進一步優化，因為Pandas很多操作都是串行單線程執行，是以可以手動開多線程進一步加速資料的計算過程，把所有CPU用上，或使用cuDF利用GPU加速。

場景2：新領域無從下手

閱讀已有新工作的必經之路，是以努力要站在巨人的肩膀上。

1. 閱讀目标領域内近3-5年頂會論文，特别是綜述論文。
2. 收集公開賽事或榜單上學習Top名次的解決方案，包含思路和代碼。

無他唯孰能爾，多收集多整理，了解領域思路和套路。

場景3：複現别人的論文

科研并不是從0到1，一定要多去了解已有的工作，以及已有的論文代碼。在閱讀完論文代碼後，可以按照如下步驟逐漸複現：

步驟1：找到有開源代碼的論文

在Github上找到曆史的有代碼的論文，這些論文項目雖然比較舊，但參考價值很大。

步驟2：整理好資料集的加載

搞清楚資料集怎麼制作怎麼加載怎麼輸入怎麼計算怎麼輸出，資料集如何處理，如何編碼。

步驟3：搭建論文模型

基于論文思路整理好模型結構，有多少層，每層的細節，每層的次元，一步一步搭建。保證模型可以正常訓練和預測。

步驟4：确定訓練細節