AI research tools
1.0.0
- Empfehlen Sie einige wissenschaftliche Forschungstools, die mir gefallen (einige sind auf den KI-Bereich beschränkt)
- Die mit [Zu testen] gekennzeichneten Tools sind Tools, die ich noch nicht verwendet habe, die ich aber für nützlich halte. Ich werde sie so schnell wie möglich ausprobieren und aufgrund der Erfahrung entscheiden, ob ich sie behalten möchte.
- Bitte empfehlen Sie mir durch Themen etc. wissenschaftliche Forschungstools im KI-Bereich, die Sie nützlich finden, aber nicht auf dieser Liste stehen. Vielen Dank.
Wenn ich PDF-Dateien basierend auf Papiertiteln oder anderen Informationen suchen muss, verwende ich im Allgemeinen zuerst dblp (die Suchergebnisse sind klar und es ist kein wissenschaftliches Internet erforderlich). Für einige Sonderfälle würde ich wieder Google Scholar verwenden.
dblp: Informatik-Bibliographie: Eine speziell für CS entwickelte Website zur Suche nach Aufsätzen, die erstklassige Aufsätze enthält, die abgerufen werden können. Sie können die Beiträge des Autors nach Konferenzen, Zeitschriften usw. durchsuchen, was nützlich ist, wenn Sie alle Artikel einer Computerkonferenz durchsuchen möchten.
Google Scholar: Zusätzlich zur Suche nach Aufsätzen können Sie hier Aufsatzstatistiken und Zitierreferenzen anzeigen. Sie können auch Erinnerungen an neue Aufsatzaktualisierungen erhalten, indem Sie Autoren oder Aufsätzen folgen, und automatische Empfehlungen verwenden, um eine grundlegende Bibliothek bereitzustellen.
Semantischer Gelehrter: Kann mit externen Materialien kombiniert werden, um eine semantische Analyse der Arbeit durchzuführen. Zu den Funktionen gehören: Anzeige von Zitaten und Referenzen, Messung des Papiereinflusses, Anzeige von Papierdiagrammen, automatische Generierung von Schlüsselwörtern (basierend auf Titeln), Analyse von Autoren, Suche nach zusätzlichen Ressourcen im Internet (z. B. relevante YouTube-Videos) und Empfehlung von Artikeln.
arXiv: Eine Sammlungswebsite für Vordrucke von Aufsätzen.
arXiv-sanity: Im Hinblick auf die Funktionalität weist es gegenüber arXiv große Verbesserungen auf, einschließlich der Anzeige von Zusammenfassungen, Kommentaren und sehr grundlegenden Social-Media-, Empfehlungs- und Bibliotheksfunktionen beim Surfen. Auch die Suche funktioniert besser.
Semantic Sanity: Ein personalisierter adaptiver Feed: Erstellen Sie Ihren eigenen personalisierten arXiv-Lese-Feed. Beim Erstellen jedes Feeds werden Sie aufgefordert, zunächst einige Artikel auszuwählen und dann auf der Grundlage dieser Artikel Empfehlungen abzugeben. Sie können die empfohlenen Ergebnisse mögen oder nicht mögen, um die empfohlenen Ergebnisse anzupassen.
Paper Digest – KI zum Verfolgen und Zusammenfassen von Artikeln: Bietet eine Liste der Artikel, die am Tag vor dem E-Mail-Abonnement veröffentlicht wurden, mit einer Zusammenfassung jedes Artikels in einem Satz. Was mir noch wichtiger ist, ist, dass diese Website auch die Vorträge jeder Top-Konferenz organisiert, sobald sie veröffentlicht werden.
Papiere mit Code: Verknüpfen Sie Papiere automatisch mit dem GitHub-Repository und Datensätzen, die den Code implementieren, und sortieren Sie sie nach GitHub-Sammlungen. Zeigen Sie zum Vergleich den SOTA für jede Aufgabe an.
labmlai/annotated_deep_learning_paper_implementations: PyTorch-Implementierungen vieler Algorithmen mit Online-Anmerkungen. Der Nachteil besteht darin, dass der gezeigte Teil nicht von Grund auf implementiert ist und ein Teil des Codes in einem eigenen Paket untergebracht ist.
Mendeley: Ich benutze das derzeit. Unterstützt mehrere Plattformen wie Web, PC, Mac und Mobiltelefone, kann PDFs direkt mit Anmerkungen versehen und hervorheben und verfügt über kostenlosen Cloud-Speicher mit einer Begrenzung.
Zotero: Es kann die Literaturreferenzen direkt auf der Webseite der Literaturdatenbank erfassen. Es wird häufig in Verbindung mit Nut Cloud verwendet, um eine Multi-End-Synchronisierung der Literaturverwaltung zu erreichen (unterstützt MacOS, Windows, iPad, Linux, iOS).
Kimi Chat: ChatPGT-ähnliches Produkt, jeder sollte damit vertraut sein.
Cool Papers: Eine Website zum Verfassen von Aufsätzen, entwickelt von Herrn Su Jianlin. Sie können es gemäß der README-Datei selbst erkunden und verwenden.
CopyTranslator: Der größte Vorteil besteht darin, dass es über Funktionen wie Anheften, Tippen zum Kopieren und Überwachen der Zwischenablage verfügt. Es kann beim Lesen von Dokumenten nahtlos umgeschaltet und zusammen verwendet werden, was sehr praktisch ist.
Saladict Saladict: Browser-Übersetzungs-Plug-in mit sehr umfangreichen Einstellungen, die den Nutzungsgewohnheiten des Benutzers entsprechen. Zusätzlich zu den offiziellen Dokumenten können Sie sich auch an Shalaqi + Alfred wenden, um das beste Übersetzungserlebnis für Dokumente zu schaffen! Kommen Sie und finden Sie es heraus. Ich untersuche auch, wie man Out-of-Browser-Übersetzungen auf Windows-Systemen implementieren kann.
Früher habe ich Evernote verwendet, habe es aber aufgegeben und denke über eine Migration nach.
Yuque: Sehr leichtgewichtig, ich verwende normalerweise die Webversion. Gelegentlich lassen sich einige Listen mit dem Mobiltelefon synchronisieren, was ebenfalls sehr praktisch ist. Neue Studierende können meinen Einladungscode QPFTUN eingeben, um eine 30-tägige Mitgliedschaft zu erhalten: kissing_heart:
Notion: Wenn Sie eine Zusammenarbeit mit mehreren Personen und Projektmanagement benötigen, ist Notion möglicherweise besser geeignet.
the-incredible-pytorch: Verschiedene Tutorials, Projekte, Videos und andere Ressourcen zu PyTorch.
computervision-recipes: Produziert von Microsoft, Tutorials zu verschiedenen CV-Aufgaben basierend auf PyTorch.
Pytorch-Project-Template: Eine erweiterbare PyTorch-Projektvorlage, einschließlich Beispielen für Bildsegmentierung, Objektklassifizierung, GANs und Reinforcement Learning.
pytorch-template: Eine weitere PyTorch-Projektvorlage.
Torchinfo: Druckt PyTorch-Modellinformationen, einschließlich der Anzahl der Parameter jeder Schicht des Modells, der Größe des Ausgabetensors usw.
flops-counter.pytorch: Berechnen Sie die gesamten FLOPs des Modells (Gleitkommaoperationen, verstanden als der Rechenaufwand, der zur Messung der Komplexität des Algorithmus/Modells verwendet werden kann) und den Anteil jeder Schicht. Der Nachteil besteht darin, dass es offenbar keine RNN-bezogenen Schichten unterstützt und die gedruckten Informationen nicht sehr bequem zu lesen sind.
Die neueste Version von PyTorch enthält bereits ein Tensorboard. Offizielles Tutorial.
visdom: [Zum Ausprobieren] Flexibles Tool zum Erstellen, Organisieren und Teilen von Rich-Data-Visualisierungen in Echtzeit.
Faltungsvisualisierung: Wenn die Konfiguration der Faltungsschicht relativ komplex ist und die Berechnung der Ausgabegröße unpraktisch ist, können Sie dieses Visualisierungstool zur Unterstützung verwenden.
Google-Datensatzsuche
Datensuche |. Bifrost: Visuelle Datensatzsuche.
optuna: ein Framework zur automatischen Hyperparameteroptimierung.
microsoft/nni: [Zu testen] Ein Open-Source-Toolkit für automatisches maschinelles Lernen (AutoML) für die Suche nach neuronalen Modellen und die Optimierung von Hyperparametern, das die meisten gängigen Frameworks und Betriebsumgebungen unterstützt.
Hyperopt: [Zu versuchen] Verteilte asynchrone Hyperparameteroptimierung. Ich habe jemanden gesehen, der es auf Zhihu empfohlen hat, aber laut Dokumentation werden derzeit nur zwei Optimierungsalgorithmen unterstützt, und diese enthalten keine Bayes'sche Optimierung.
BoTorch: [Noch auszuprobieren] Bayesianische Optimierungsbibliothek basierend auf PyTorch.
automl/Auto-PyTorch: [Zu versuchen] Automatische Struktursuche und Hyperparametersuche basierend auf PyTorch.
Verschiedene LaTeX-Vorlagen, darunter Aufsätze, Berichte, Poster usw.
Vorlagen von Overleaf
LaTeX-Vorlagen
Für die Zusammenarbeit mit mehreren Personen empfehle ich Overleaf, das auch meistens meine Wahl ist. Einzelprojekte können VSCode zum Offline-LaTeX-Schreiben verwenden und für die Versionsverwaltung mit privaten Github-Bibliotheken zusammenarbeiten.
Sie können einen Blick auf die Empfehlungen dieses Artikels werfen: Mit diesen Websites ist das Verfassen englischer Arbeiten nicht länger schwierig (Einführung und Verwendungstipps von 15 Websites zur Unterstützung beim Verfassen englischer Arbeiten) - Zhihu
Lingle: Suchen Sie nach den am häufigsten vorkommenden englischen Wortkollokationen. Verwenden Sie diese Option, wenn Sie nicht sicher sind, ob Ihr Ausdruck korrekt ist.
Korpus des zeitgenössischen amerikanischen Englisch (COCA): Sie können den Korpus der Wortkollokationen im amerikanischen Englisch überprüfen und die spezifischen Sätze überprüfen, die dieses Wort verwenden. British National Corpus (BYU-BNC): Ein Korpus des britischen Englisch, mit weniger Korpus als dem des amerikanischen Englisch.
Thesaurus: Wandeln Sie Low-End-Wörter in synonyme High-End-Wörter um.
ESODA: Ein vom Tsinghua HCI Lab entwickeltes Tool zur Phrasenkollokationsabfrage, das für die chinesische englische Schrift geeignet ist. Ein Korpus von Artikeln, die bestimmte Forschungsrichtungen ändern, relevante alternative Verwendungen anzeigen und gemischte Suchen in Chinesisch und Englisch unterstützen können.
Wörter und Phrasen: Häufigkeit, Genres, Kollokationen, Konkordanzen, Synonyme und WordNet: Verwenden Sie verschiedene Farben, um Wörter mit hoher, mittlerer und niedriger Häufigkeit zu unterscheiden, Vokabular anzuzeigen, das die Art des Artikels darstellt, und verwandte ersetzbare Wörter zu klassifizieren. Obwohl es sich angeblich um eine Formulierungshilfe für die englische Schreibweise handelt, bin ich der Meinung, dass ihr größter Nutzen darin besteht, Vokabeln und Kollokationen zu lernen, die häufig in Arbeiten in verwandten Bereichen verwendet werden.
Einige Optionen neben den verschiedenen ChatGPT-ähnlichen. Bitte beachten Sie die Risiken von Datenlecks bei Online-Erkennungstools und gehen Sie mit wichtigen Texten vorsichtig um.
Grammatik: Überprüfen und ändern Sie Grammatik, Satzmuster, Zeichensetzung und Wortauswahl mit Browser-Plug-ins.
Nounplus.net: Kostenloser Online-Grammatikprüfer für Englisch.
Mathpix: Machen Sie Screenshots von komplexen mathematischen Gleichungen und konvertieren Sie diese in LaTeX-Code. Es kann Ausdrucke in PDFs und handschriftliche Formeln in Fotos usw. verarbeiten.
MyScript Webdemo: Das Math-Modul kann handgeschriebene Formeln in LaTeX-Code umwandeln, gleichzeitig kann das Diagram-Modul handgezeichnete Blockdiagramme in übersichtliche Blockdiagramme umwandeln.
Detexify LaTeX handschriftliche Symbolerkennung: Wenn Sie vergessen haben, wie bestimmte Zeichen in LaTeX dargestellt werden, können Sie sie auf dieser Website per Handschrift abfragen.
OmniGraffle ist für Mac OS-Systeme verfügbar.
PPT ist normalerweise meine erste Wahl: Es ist schnell einsatzbereit, verfügt über viele Typen, bietet ein hohes Maß an Freiheit und unterstützt den Export von Vektorgrafiken.
Paper-Picture-Writing-Code: Zeichencode basierend auf LaTex, einschließlich Liniendiagrammen, Balkendiagrammen, Streudiagrammen, Aufmerksamkeitsvisualisierung und Strukturdiagrammen.
akademisches Zeichnen: Matlab/Python-Zeichnung, wird hauptsächlich zum Zeichnen von Zeitreihendaten verwendet.
awesome-latex-drawing: LaTeX-Zeichnung, wird hauptsächlich zum Zeichnen von Bayes'schen Netzwerken, Tensorzerlegung usw. verwendet.
PlotNeuralNet: Python erhält Diagramme, die in LaTeX verwendet werden können, hauptsächlich zum Zeichnen von CNN.
Es gibt viele Websites, die Konvertierungsdienste für Bilder in verschiedenen Formaten anbieten. Hier ist nur eine kurze Liste. Sie können auch andere ähnliche Websites über Suchmaschinen finden.
Konvertieren Sie PNG/JPEG (Raster) in das EPS/PDF-Format (Vektor): Konvertieren Sie Bilddateien im JPG- und PNG-Format in EPS-Dateien.
EPS-zu-PDF-Konverter: Sie können EPS-Dateien auch in Bilder in anderen Formaten konvertieren.
PDF-Dateien online zuschneiden – PDF-Tools: Beschneiden Sie die weißen Ränder von PDF-Dateien.
TexLive wird mit einigen Befehlszeilentools geliefert:
epstopdf <file.eps> ;pdfcrop <file.pdf> . ccf-deadlines: Sie können Konferenzen mit Deadlines in diesem Jahr nach Forschungsrichtung und CCF-Level filtern. Es ist relativ freundlich zu einheimischen Studenten.
Fristen für KI-Konferenzen: Konferenzen können nach Forschungsrichtungen gefiltert werden. Aber es scheint, dass man wissenschaftlich im Internet surfen muss, um alle Informationen zu sehen.
Konferenzliste: Sortiert nach Frist, abgelaufene Konferenzen werden nicht auf der Startseite angezeigt. Es gibt eine Seite, auf der Sie sehen können, welche Konferenzen in den einzelnen Forschungsrichtungen stattfinden. Es gibt jedoch keine Möglichkeit, die Konferenzen, die noch nicht abgelaufen sind, anhand der Forschungsrichtung herauszufiltern.
Konferenzpartner: Liste der neuesten internationalen Computerkonferenzen und Zeitschriften. Sie können sich registrieren, um einer Konferenz oder Zeitschrift zu folgen. Es ist relativ vollständig, die Informationen werden jedoch nicht zeitnah aktualisiert.
Für Blind-Review-Zwecke müssen Links zu Dateien (z. B. Quellcode) manchmal anonym sein. Manche Leute entscheiden sich dafür, ein anonymes Konto auf Github zu erstellen, aber das Erstellen eines Kontos für jeden Beitrag in jeder Konferenz ist möglicherweise zu umständlich. Ich habe einige Tools gefunden, die die anonyme Dateifreigabe unterstützen, wie folgt.
Dropbox: Wahrscheinlich die am häufigsten verwendete.
Open Science Framework
Figshare
Einreichungsprozess für Arxiv-Arbeiten – Lesen Sie einfach diesen Artikel, um den Prozess der Einreichung einer Arbeit bei arXiv zu verstehen.
arxiv-latex-cleaner: Bereinigt den LaTeX-Code des Papiers, um die Anforderungen für die Einreichung auf arXiv zu erfüllen. Ein Highlight ist die Möglichkeit, alle auskommentierten Inhalte in der Arbeit automatisch zu bereinigen.
overleaf -> arxiv Reibungsloser Übermittlungsprozess: Wenn Sie Overleaf verwenden (anstatt LaTeX-Code lokal in ein Papier zu kompilieren), können Sie in diesem Artikel das entsprechende Quellcodepaket herunterladen und dann die Verwendung von arxiv-latex-cleaner in Betracht ziehen.
Die Bereitstellung von klarem, reproduzierbarem Code für veröffentlichte Arbeiten kann das Fachgebiet effektiv voranbringen. Hier finden Sie einige hilfreiche Tools für Open-Source-Code.
ReproducibilityChecklist-v2.0: Eine Checkliste zur Reproduzierbarkeit für maschinelles Lernen, die auflistet, welche Dokumente Sie bereitstellen sollten, um die Reproduzierbarkeit Ihrer Arbeit zu verbessern.
pigar: Ein Tool zum automatischen Generieren von Anforderungsdateien für Python-Projekte.
Rainyscope Regensimulator: Regengeräusch.
LofiGirls Musik-Studienraum: Lo-Fi-Musik-Live-Übertragungsraum.
