本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

 “機器學習，太難了！”

“3個月才跑通GitHub模型代碼，要崩潰了！”

“還要跟博士生開會，怕了！”

發出如此絕望聲音的，正是一名在讀本科生，起初興致勃勃參與了機器學習興趣小組。

但誰曾想到，卻演變成了一入ML深似海，從此半點不由人的這般境遇。

在Reddit上的一通“吐槽”，引來了網友們的高度關注。

很好奇。

一個本科生，觸及了大主流的機器學習，具體發生了怎樣頭禿的事情？

為什么ML會讓這位本科生如此痛苦？

這段“痛苦”的故事，是這樣的。

一開始，這位本科生同學自告奮勇地參加了一個“機器學習小組”，而后被分配去協助一位博士生的工作。

從去年9月份開始，這位博士生就給他布置了一些與“知識圖譜”相關的任務，并讓他去實現。

問題從這里就開始出現了。

這位本科生，花了整整3個月的時間，才讓GitHub上一些模型的代碼跑通。

不僅如此，自己還苦訴道：

在此之前，我還花了無數個小時去搞懂預處理和評估相關的代碼。

結果如何呢？

我現在還是搞不懂如何讓這些ML代碼跑起來！

本就很是苦惱，沒想到讓他更加崩潰的事情，來得如此猝不及防。

博士生給他提了個“更上一層樓”的要求——讓他從一篇論文中，找到了另一個實現類似功能的GitHub repo。

于是，這位本科生便把現有的代碼插了進去……結果可想而知，一團糟。

原地爆炸！

我把每一個步驟都做了一遍，但就是想不明白問題出在了哪里。

Hold不住了，“再也做不下去了”……

他現在每周與博士見面都會感到恐懼，“因為我知道再也沒有進展可以匯報了”。

但是痛定思痛，作為本科生的他，便在Reddit上發出了一個“靈魂拷問”：

機器學習代碼本來就這么難嗎？

是我腦袋有什么問題嗎？

你們又是怎么做到的呀？

問題出在了哪里？

“用了一周時間，卻連一個問題都沒解決，根本沒有進展可以匯報？”

網友@santiagobmx1993 提出了一種解決方法。根據實驗期限，這位本科生可以迅速定下遇到問題的解決時間，如果完不成，就去尋求同級、上一級的幫助，快速提升效率。

例如，如果自己花了1天時間未能完成，就再花5小時找同級本科生一起解決，如果依舊不行，再試著花上2小時找博士生、導師梳理。

“我一直在重復操作步驟，卻想不明白問題出在哪里？”

網友@help-me-grow 認為，在科研實驗中，一定要尋求幫助。有時候自己看不出來的問題，有經驗的人一看就能發現。

網友@linverlan作為博士生，也認為溝通非常重要。于他而言，幫助本科生助理完成代碼調試、解決困難，或是換份更有興趣的工作，都是可以通過溝通實現的。

“被分配到了完全不在研究范圍內的任務，比其他人落后了一大截？”

網友@starfries 表示，這位本科生或許也需要找準自己擅長的任務，做起來才有成就感。否則如果給本科生分配博士才能完成的任務，那自然會很困難。

“我的代碼能通過編譯，但一運行起來就出錯？”

網友@todeedee則提出了基礎技能：學習做模塊測試（unit test）。

將機器學習模型分解成數據收集代碼、網絡代碼和訓練代碼幾部分，并進一步將代碼拆分成5~25行的小模塊，分別進行調試，有助于盡快找出問題所在。

“給我的一些代碼，我真的沒辦法看懂，這是我的問題嗎？”

網友@milkteaoppa 認為，代碼運行不起來，也可能是因為隨便搞來的代碼質量非常差，理解起來也同樣困難。

如果只是希望運行機器學習代碼的話，學會識別低質量代碼、并與博士生溝通改進代碼質量，都是有必要的。

“身為本科生，調試代碼沒問題，但卻完全沒辦法調試機器學習的代碼？”

網友@TachyonGun 認為，對本科生來說，機器學習代碼確實困難，因為得掌握許多必要知識，例如數學。而在代碼調試時，會出現許多數值問題，例如奇異矩陣、數值穩定性……

因此，想運行機器學習代碼，必須先學會數學知識（數值分析、應用線性代數、數學建模、概率論/高級統計學）、以及熟練掌握方法（數值和可視化方法）。

事實上，對于這位本科生遇到的困難，對于搞科研的網友們來說，同樣感同身受：

辛辛苦苦做實驗一個月卻匯報不出任何進展，被導師無情吐槽；

想要復現一篇論文的代碼，結果光是解決“代碼出錯、編譯出錯、環境代碼不兼容”等問題，就耗費了大量時間……

但也正是如此，他們積攢了對應的經驗，幫助這位本科生找到合適的解決辦法。

“感謝大家的幫助”

在網友們的幫助下，這位本科生也冷靜了下來，并仔細歸納了網友們給出的建議。

他找出了自己崩潰的原因：缺乏與那位博士生和其他研究者的溝通，不了解項目應該如何進行；此外，也的確缺乏對機器學習模型和參數設置的理論基礎知識。

當然，他也意識到，交到自己手里的那些代碼，的確質量不高：不僅難以閱讀，而且各個模塊非常破碎，很難整合到一起。

他現在決定，去找那位博士生溝通一下，坦白自己遇到的問題。

……

不過話說回來，作為一名本科生，無論是做畢設還是進實驗室，或多或少的都會有這位“發帖者”遇到的困惑。

是否存在快速上手、入道的方法呢？

清華特獎本科生的秘訣

其實，同是本科生，也有同學已經手握四篇論文。

這是清華特獎得主高天宇的真實經歷，而發表的4篇論文，均在AI頂會上：兩篇AAAI，兩篇EMNLP。

對于這些科研成果，他同樣有話說，不過都是實打實的干貨分享。

例如，讓這位本科生崩潰的、很多人同樣難以啟齒的“拖延壓力”，高天宇就給出了緩解辦法：

經常高負荷做實驗的同學，在忙碌的時候可以切換一下任務，平時也可以記錄日常工作，緩解自己拖延工作造成的心理壓力。

另外，還有一條看似違反常理的建議，那就是把事情推到明天，這不是鼓勵拖延，而是讓你從一天的忙碌中跳出思維定式，也許明天會有更好的解決方案。

以及，高天宇也同樣建議，要多與導師、學長學姐進行溝通：

他們對過往研究更了解，也在實驗中擁有更豐富的經驗，能防止你走很多彎路。

當然，如果想要加強自己機器學習的基礎理論，高天宇也給出了快速讀論文的方法：

大部分論文只需要看摘要，然后快速分類。如果確實覺得有幫助，再按下面的結構進行分析。

• 摘要：研究意義（包括前人研究、研究的缺陷），研究方法，研究結果
• 簡介：很多大道理（解決了什么問題）
• 相關工作：文獻綜述
• 方法：細節
• 實驗：打臉專用（論文試金石）
• 結論：基本沒用（重復摘要）

文獻管理工具也是有必要的：

Nature：成為“本科研究員”的三個步驟

除了高天宇的個人“秘訣”之外，Nature也曾發表過與“本科生做科研”相關的文章。

Nature在文中指出，本科生參與科研項目，在頂尖大學是一個普遍的現象。

更具體一些，例如在MIT，這一比例就超過了90%。

從在課堂上課，到實驗室的生活，確實是一個巨大的轉變。

對此，Nature認為在這種轉變過程中個，通常會經歷三個階段 （并不適用于每個人）。

第一個階段是“在不理解的情況下做科研”。

對于初來乍到的本科生而言，要做什么事情肯定是頭等的問題。

以及正在做著某項實驗，對于其背后的原因、本質，或許還不是特別清楚。

第二個階段是“在理解的基礎上做科研”。

Nature表示，以此狀態搞科研的學生，是實驗室往往想要留住的人才。

他們在實驗室之外，會投入更多時間和經歷，去觀察實驗所存在的局限性。這將有助于培養參與團隊的意識。

第三個階段是“學生研究員（student research）”。

這個階段的學生，就會像研究員一樣進行思考：制定新的問題和假設、計劃新的實驗來測試等等。

Nature認為，這一階段的學生對于實驗室的貢獻是最大的。

除此之外，Nature進一步還提出了一些細節的建議，例如時間管理方面，做研究和休息時間要得當、要做到批判性閱讀、要有保存記錄的習慣等等。

……

最后，作為正在經歷或者過來者，你是否也遇到過什么類似的問題？