一位本科生在机器学习领域的探索中经历了不少艰辛，这其中的故事让人感到无奈。
究竟是什么让这位本科生如此困扰？
事情是这样的。
他积极参与了一个“机器学习小组”，并被分配到一位博士生的项目中。
自去年9月份起，这位博士生便让他着手处理一些与“知识图谱”有关的任务。
然而，问题从此开始。
这位本科生花费了整整三个月，才成功让GitHub上的一些模型代码得以运行。
他无奈地表示：
在此之前，我花了无数个小时试图理解预处理和评估的相关代码。
结果呢？
我仍然不知道如何让这些机器学习的代码正常运行！
本已感到沮丧，没想到更糟的事情突然袭来。
博士生提出了一个“更高的要求”——让他从一篇论文中找到一个实现相似功能的GitHub项目。
于是，他把现有的代码整合了进去……结果可想而知，完全是一团糟。
事情崩溃了！
我逐步执行每一个步骤，却依旧无法找到问题所在。
我快撑不住了，“再也做不下去了……”
现在每周与博士生的见面让他感到恐惧，因为他知道自己没有任何进展可以汇报。
痛定思痛，作为本科生的他在Reddit上发出了一个“灵魂拷问”：
机器学习代码真的这么难吗？
是我脑袋有问题吗？
你们是怎么做到的？
问题到底出在哪里呢？
“用了一周的时间，却连一个问题都没有解决，完全没有进展可以汇报？”
网友@santiagobMx1993 提出了一个建议。根据实验的期限，这位本科生可以设定一个遇到问题的解决时间，如果无法解决，就寻求同级或上级的帮助，从而快速提升效率。
例如，如果自己花了1天时间未能解决，可以再花5小时找同级的本科生一起探讨，如果仍然没有结果，再尝试花2小时去请教博士生或导师。
网友@help-Me-gRow认为，在科研实验中，寻求帮助是很重要的。有时候，自己看不到的问题，经验丰富的人一眼就能看出。
网友@linveRlan，作为博士生，也强调了沟通的重要性。他认为，帮助本科生助手完成代码调试、解决难题，或者换个更有趣的任务，都是通过沟通可以实现的。
“被分配到完全不在研究范围内的任务，难免会落后于他人？”
网友@staRfRies指出，这位本科生可能需要找到自己擅长的任务，这样才会有成就感。否则，如果给本科生分配博士生才能完成的任务，自然会感到困难。
“我的代码能编译，但一运行就出错？”
网友@TODeedee则提到了基础技能：学习如何进行模块测试（unit test）。
将机器学习模型拆分为数据收集、网络代码和训练代码等部分，并进一步将代码细分成5到25行的小模块进行调试，有助于迅速定位问题。
“给我的一些代码，我真的看不懂，这是我的问题吗？”
网友@Milkteaoppa表示，代码无法运行也可能是因为随便获取的代码质量差，导致理解困难。
如果只是想运行机器学习代码，识别低质量代码并与博士生沟通以改善代码质量都是必要的。
“作为本科生，能调试代码，但对机器学习的代码却无能为力？”
网友@TachyonGun认为，机器学习代码确实难度较大，因为需要掌握很多必要的知识，例如数学。在调试代码时，常常会遇到数值问题，如奇异矩阵和数值稳定性。
因此，想要运行机器学习代码，必须先学习数学知识（数值分析、线性代数、数学建模、概率论/高级统计）以及熟练掌握相关方法（数值和可视化方法）。
实际上，对于这位本科生所面临的挑战，许多科研工作者都有同样的感触：
辛辛苦苦做实验一个月却无法汇报进展，被导师批评；
想要复现一篇论文的代码，结果在解决“代码出错、编译出错、环境不兼容”等问题上耗费了大量时间……
正是因为如此，他们积累了经验，帮助这位本科生找到合适的解决方案。
“感谢大家的帮助。”
在网友的支持下，这位本科生冷静下来，并认真整理了网友们的建议。
他意识到自己崩溃的原因在于缺乏与博士生及其他研究者的沟通，对项目的进行方式不够了解；此外，他也确实缺乏机器学习模型和参数设置的理论基础。
当然，他也明白，自己手中的代码质量确实不高：不仅难以阅读，而且各个模块也非常松散，难以整合。
他决定去找那位博士生沟通，坦白自己遇到的问题。
然而，作为一名本科生，无论是进行毕业设计还是进入实验室，或多或少都会面临与这位“发帖者”相似的困惑。
是否存在快速入门的方法呢？
清华特奖本科生的经验
其实，身为本科生，也有同学已经发表了四篇论文。
这位清华特奖得主高天宇的真实经历中，他的四篇论文均在AI顶会上发表：两篇AAAI， 两篇EMNLP。
对于这些科研成果，他也分享了一些实用的经验，尤其是应对让人感到棘手的“拖延压力”。
高天宇建议，忙碌的同学在高负荷实验期间可以适时切换任务，并记录日常工作，以缓解因拖延带来的心理压力。
此外，他还提出了一条看似反常的建议，就是将事情推到明天。这并不是鼓励拖延，而是让自己跳出一天的忙碌思维，也许明天会有更好的解决方案。
同时，高天宇也建议多与导师及学长学姐沟通：
他们对以往的研究有更深入的了解，也在实验中积累了丰富的经验，可以帮助你避免走很多弯路。
当然，若想加强机器学习的基础理论，高天宇也提供了快速阅读论文的方法：
大多数论文只需看摘要，然后迅速分类。如果觉得有帮助，可以按照以下结构进行分析。
摘要：研究意义（包括前人研究、研究的不足），研究方法，研究结果；简介：主要观点（解决了什么问题）；相关工作：文献综述；方法：细节；实验：验证论文的有效性；结论：基本重复摘要。
文献管理工具也是必不可少的。
除了高天宇的个人“秘诀”，NatuRe也曾刊登过关于“本科生进行科研”的相关文章。
NatuRe指出，本科生参与科研项目在顶尖大学中普遍存在。
例如，在MIT，这一比例超过了90%。
从课堂学习到实验室生活，确实是一个巨大的转变。
NatuRe认为，在这个转变过程中，通常会经历三个阶段（并不适用于每个人）。
第一个阶段是“在不理解的情况下从事科研”。
对于刚进入的本科生来说，首先要做什么事情是一个重要问题。
在进行某项实验时，或许并不清楚其背后的原因和本质。
第二个阶段是“在理解的基础上进行科研”。
NatuRe表示，在这种状态下从事科研的学生，往往是实验室希望留住的人才。
他们会在实验室外投入更多时间和精力，去观察实验的局限性，从而培养团队意识。
第三个阶段是“学生研究员”。
在这个阶段，学生会像研究人员一样思考：制定新的问题和假设，规划新的实验以进行测试等。
NatuRe认为，这一阶段的学生对实验室的贡献最大。
此外，NatuRe还提出了一些细节建议，比如时间管理、研究与休息的适度安排、批判性阅读及记录保存习惯等。
最后，作为正在经历此过程或曾经经历过的人，你是否也遇到过类似的问题？
