把研究问题写成机器学习任务
先写清输入是什么、输出是什么、用什么数据验证，以及哪个指标代表“做得更好”。
- 明确分类、检测、分割、预测或生成任务
- 区分训练集、验证集和测试集
- 确定一个主指标与至少一个辅助指标
过关标准能用四句话说清任务、数据、模型和指标
Beginner roadmap
第一次做AI科研，从这六步开始
你不需要先收集几百G资料。先建立一个最小实验闭环，再补理论、扩展模型和完善论文证据。
01理解任务
02准备数据
03跑通基线
04–06改进与成文
Start here
先判断你从哪一步进入
不需要按顺序重学所有基础。找到第一个“还做不到”的阶段，从那里开始。
检查数据，再准备Python与PyTorch
不要急着训练。先确认数据许可、样本量、标签质量、类别分布和划分方式，再完成读取与可视化。
- 随机查看至少20个样本与对应标签
- 统计类别、尺寸、缺失值和异常样本
- 固定环境依赖和随机种子
过关标准数据能稳定读取，样本与标签对应正确
先跑通一个可靠Baseline
完整跑通训练、验证、测试和单样本推理；保存配置、日志、最佳权重和评价结果。
- 一条命令可以重新开始训练
- 测试集只在模型确定后使用
- 至少重复一次确认结果不是偶然
过关标准换一台机器也能复现接近的基线结果
用问题表格读懂代表论文
每篇只回答六个问题：研究问题、核心假设、数据、方法、对比设置、局限。不要把逐句翻译当成理解。
- 先读3篇近年工作，再回看奠基论文
- 把实验设置和自己的Baseline逐项对齐
- 记录可验证的差异，不急着写创新点
过关标准形成至少10篇论文的横向对比表
设计单变量改进与消融
改进必须对应已观察到的瓶颈。每次只改变一个因素，并同时报告精度、参数量、速度与稳定性。
- 先用可视化或误差统计证明瓶颈
- 从一个模块、损失或训练策略开始
- 记录失败实验及其设置
过关标准每项提升都能由公平实验单独解释
把实验整理成论文证据链
围绕研究问题组织方法、对比、消融、泛化、效率和局限，让每个结论都能在图表或实验中找到依据。
- 先完成图表与结果，再写摘要
- 结论不超出实验支持的范围
- 引用、数据和公式逐项人工核验
过关标准论文中的主要结论都有对应证据
First 14 days
前两周只完成这四个里程碑
时间不是硬性要求；重点是先形成小闭环，避免长期停留在“看课和收藏资料”。
写清任务
用一页纸写输入、输出、数据、指标和限制。
检查数据
可视化样本、统计分布、确认许可与划分。
跑通基线
保存配置、日志、权重、指标和推理结果。
读论文做对照
建立横向表格，找出一个可验证的差异。
Common mistakes
小白最容易踩的四个坑
还没跑通Baseline，就开始堆模块
先确认原始结果可重复，再一次只加入一项改进，否则无法判断提升来自哪里。
测试集参与调参
测试集用于最终评价。日常选择模型和超参数应使用验证集，避免结果被高估。
只看最高精度，不记录成本
同时报告参数量、计算量、推理时间和多次运行波动，结论才完整。
先想“创新点”，再找问题
先通过误差分析找到真实瓶颈，再提出能被实验验证的改进假设。
仍然不知道自己应该从第几步开始？
填写背景、数据和当前卡点，自动生成咨询摘要与两个优先入口。