本科生搞AI在线崩溃：3个月才跑通GitHub模型，太难了吧

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

“机器学习，太难了！”

“3个月才跑通GitHub模型代码，要崩溃了！”

“还要跟博士生开会，怕了！”

发出如此绝望声音的，正是一名在读本科生，起初兴致勃勃参与了机器学习兴趣小组。

但谁曾想到，却演变成了一入ML深似海，从此半点不由人的这般境遇。

在Reddit上的一通“吐槽”，引来了网友们的高度关注。

很好奇。

一个本科生，触及了大主流的机器学习，具体发本科生了怎样头秃的事情？

为什么ML会让这位本科生如此痛苦？

这段“痛苦”的故事，是这样的。

一开始，这位本科生同学自告奋勇地参加了一个“机器学习小组”，而后被分配去协助一位博士生的工作。

从去年9月份开始，这位博士生就给他布置了一些与“知识图谱”相关的任务，并让他去实现。

问题从这里就开始出现了。

这位本科生，花了整整3个月的时间，才让GitHub上一些模型的代码跑通。

不仅如此，自己还苦诉道：

在此之前，我还花了无数个小时去搞懂预处理和评估相生搞关的代码。

结果如何呢？

我现在还是搞不懂如何让这些ML代码跑起来！

本就很是苦恼，没想到让他更加崩溃的事情，来得如此猝不及防。

博士生给他提了个“更上一层楼”的要求——让他从一篇论文中，找到了另一个实现类似功能的GitHub repo。

于是，这位本科生便把现有的代码插了进去……结果可想而知，一团糟。

原地爆炸！

我把每一个步骤都做了一遍，但就是想不明白问题出在了哪里。

Hold不住了，“再也做不下去了”……

他现在每周与博士见面都会感到恐惧AI，“因为我知道再也没有进展可以汇报了”。

但是痛定思痛，作为本科生的他，便在Reddit上发出了一个“灵魂拷问”：

机器学习代码本来就这么难吗？

是我脑袋有什么问题吗？

你们又是怎么做到的呀？

问题出在了哪里？

“用了一周时间，却连一个问题都没解决，根本没有进展可以汇报？”

网友@santiagobmx1993 提出了一种解决方法。根据实验期限，这位本科生可以迅速定下遇到问题的解决时间，如果完不成，就去寻求同级、上一级的帮助，快速提升在线效率。

例如，如果自己花了1天时间未能完成，就再花5小时找同级本科生一起解决，如果依旧不行，再试着花上2小时找博士生、导师梳理。

“我一直在重复操作步骤，却想不明白问题出在哪里？”

网友@help-me-grow 认为，在科研实验中，一定要寻求帮助。有时候自己看不出来的问题，有经验的人一看就能发现。

网友@linverlan作为博士生，也认为沟通非常重要。于他而言，帮助本科生助理完成代码调试、解决困难，或是换份更有兴趣的工作，都是可崩溃以通过沟通实现的。

“被分配到了完全不在研究范围内的任务，比其他人落后了一大截？”

网友@starfries 表示，这位本科生或许也需要找准自己擅长的任务，做起来才有成就感。否则如果给本科生分配博士才能完成的任务，那自然会很困难。

“我的代码能通过编译，但一运行起来就出错？”

网友@todeedee则提出了基础技能：学习做模块测试（unit test）。

将机器学习模型分解成数据收集代码、网络代码和训练代码几部分，并进一步将代码拆分成5：3~25行的小模块，分别进行调试，有助于尽快找出问题所在。

“给我的一些代码，我真的没办法看懂，这是我的问题吗？”

网友@milkteaoppa 认为，代码运行不起来，也可能是因为随便搞来的代码质量非常差，理解起来也同样困难。

如果只是希望运行机器学习代码的话，学会识别低质量代码、并与博士生沟通改进代码质量，都是有必要的。

“身为本科生，调试代码没问题，但却完全没办法调试机器学习的代码？”

网友@TachyonGun 认为，对本科生来说，个月机器学习代码确实困难，因为得掌握许多必要知识，例如数学。而在代码调试时，会出现许多数值问题，例如奇异矩阵、数值稳定性……

因此，想运行机器学习代码，必须先学会数学知识（数值分析、应用线性代数、数学建模、概率论/高级统计学）、以及熟练掌握方法（数值和可视化方法）。

事实上，对于这位本科生遇到的困难，对于搞科研的网友们来说，同样感同身受：

辛辛苦苦做实验一个月却汇报不出任何进展，被导师无情吐槽；

想要复现一篇论文的代码，结果光是才跑解决“代码出错、编译出错、环境代码不兼容”等问题，就耗费了大量时间……

但也正是如此，他们积攒了对应的经验，帮助这位本科生找到合适的解决办法。

“感谢大家的帮助”

在网友们的帮助下，这位本科生也冷静了下来，并仔细归纳了网友们给出的建议。

他找出了自己崩溃的原因：缺乏与那位博士生和其他研究者的沟通，不了解项目应该如何进行；此外，也的确缺乏对机器学习模型和参数设置的理论基础知识。

当然，他也意识到，交到自己手里的那些代码，的确质量不高：通G不仅难以阅读，而且各个模块非常破碎，很难整合到一起。

他现在决定，去找那位博士生沟通一下，坦白自己遇到的问题。

……

不过话说回来，作为一名本科生，无论是做毕设还是进实验室，或多或少的都会有这位“发帖者”遇到的困惑。

是否存在快速上手、入道的方法呢？

清华特奖本科生的秘诀

其实，同是本科生，也有同学已经手握四篇论文。

这是清华特奖得主高天宇的真实经历，而发表的4篇论文，均在AI顶会上：两篇AAAI，两篇EMNLP。

对于这些科研成果，他同样it有话说，不过都是实打实的干货分享。

例如，让这位本科生崩溃的、很多人同样难以启齿的“拖延压力”，高天宇就给出了缓解办法：

经常高负荷做实验的同学，在忙碌的时候可以切换一下任务，平时也可以记录日常工作，缓解自己拖延工作造成的心理压力。

另外，还有一条看似违反常理的建议，那就是把事情推到明天，这不是鼓励拖延，而是让你从一天的忙碌中跳出思维定式，也许明天会有更好的解决方案。

以及，高天宇也同样建议，要多与导师、学长学姐进行沟通：

他们对过往Hu研究更了解，也在实验中拥有更丰富的经验，能防止你走很多弯路。

当然，如果想要加强自己机器学习的基础理论，高天宇也给出了快速读论文的方法：

大部分论文只需要看摘要，然后快速分类。如果确实觉得有帮助，再按下面的结构进行分析。

摘要：研究意义（包括前人研究、研究的缺陷），研究方法，研究结果 简介：很多大道理（解决了什么问题） 相关工作：文献综述 方法：细节 实验：打脸专用（论文试金石） 结论：基本没用（重复摘要）

文献管理工具也是有必要的：

Naturb模e：成为“本科研究员”的三个步骤

除了高天宇的个人“秘诀”之外，Nature也曾发表过与“本科生做科研”相关的文章。

Nature在文中指出，本科生参与科研项目，在顶尖大学是一个普遍的现象。

更具体一些，例如在MIT，这一比例就超过了90%。

从在课堂上课，到实验室的生活，确实是一个巨大的转变。

对此，Nature认为在这种转变过程中个，通常会经历三个阶段 （并不适用于每个人）。

第一个阶段是“在不理解的情况下做科研”。

对型，于初来乍到的本科生而言，要做什么事情肯定是头等的问题。

以及正在做着某项实验，对于其背后的原因、本质，或许还不是特别清楚。

第二个阶段是“在理解的基础上做科研”。

Nature表示，以此状态搞科研的学生，是实验室往往想要留住的人才。

他们在实验室之外，会投入更多时间和经历，去观察实验所存在的局限性。这将有助于培养参与团队的意识。

第三个阶段是“学生研究员（student research）”。

这个阶段的学生，就会像研究员一样进行思太难考：制定新的问题和假设、计划新的实验来测试等等。

Nature认为，这一阶段的学生对于实验室的贡献是最大的。

除此之外，Nature进一步还提出了一些细节的建议，例如时间管理方面，做研究和休息时间要得当、要做到批判性阅读、要有保存记录的习惯等等。

……

最后，作为正在经历或者过来者，你是否也遇到过什么类似的问题？

(责任编辑：订单查询)