本科生搞AI在线崩溃：3个月才跑通GitHub模型，机器学习科研入门太难了吧

金磊 萧箫 发自 凹非寺
量子位 报道 | 公众号 QbitAI

“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，“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：学习做单元测试（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5~25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，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：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：

Nature：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？

以及，如果你有更好的本科生科研方法，欢迎在评论区留言分享、讨论。

参考链接：
https://www.reddit.com/r/MachineLearning/comments/l6bncg/r\_why\_is\_it\_so\_hard\_to\_get\_ml\_code\_to\_work\_i\_am/
https://www.nature.com/articles/d41586-018-05823-5