求一篇6000字的毕业论文，题目为：论计算机网络技术在生活中的应用。
好的话多加分。
1毕业论文属于学术论文。
2只要不是抄的，你写出全世界最差的一篇论文就 可以。
3比着葫芦画瓢，找一篇去年毕业 同学的范文，格式样式，照着写就行了。
4毕业论文的实 质是读后感，选一本书，花一个星期读一遍。
边读 边做笔记。
把笔记整理一下，按范文格式条理一下，就是很好的论文了。
5问题的关键是：你必须花一周的时间。
许多同学不愿花费这个时间，那就没辙了。
别的也别谈了。
完了。
6有的同学找朋友帮忙，自已不写，让朋友替自己写一篇。
这当然好，但现在的朋友大都靠不住。
你让他写一篇给你，他满口答应，没过两天就送给你一篇。
你千恩万谢。
可是拿给老师一看，原来是从网上粘下来的，乱码都 还没改。
更可气者，一稿多用，他还把这篇“论文”送给好几个人，赚了好几顿饭，造成“雷同抄袭”、频烦吃饭。
7结论：只能自己写，花一周时 间。
8那位问了：“我写得不好怎么 办
”答：“这是伪问题。
别管好坏，先写出来就行。
老师还怕都写好呢：没法分优良中差了
总之，你写出一篇全球最差的论文就行，只要不是抄的
” 9只要硬着头皮写，傻瓜都能写一篇。
第一章 选题 一、选题的原则 （一）有价值（有品位，内行） （二）有可行性（或操作性，大小适中，难易恰当） （三）有浓厚兴趣（兴趣是动力，必须是自己喜欢的。
） 《论语·雍也篇》：“子曰：知之者不如好之者，好之者不如乐之者。
” 如果你什么都不喜欢，那就更好办：让辅导老师给你一个题目就行。
（四）专业对口（专业专长） 二、 选题的 方法 （一）亟待解决的课题 （二）填补空白的课题 （三）有争议的课题 （四）有矛盾的课题 （五）可综述的课题 第二章 搜集资料 学术研究往往是在前人已有成果的基础上，有所突破。
因此，搜集相关文献信息，非常重要。
要求能快 速、准确地搜集到所需的资料信息。
一、直接材料的搜集 第 一手材料 二、间接材料的搜集 从文献及网络查取的材料 （二手材料一定要注意核对。
） 图书、期刊，纸本索引及网络检索GOOGL、百度网等，关键词检索。
三、材料的分析 让材料自然分类，类聚法。
第三章 写提纲 提纲尽可能详尽，条理清晰，条块分明。
（镶玻璃法： 把内容分成几块，一块块往上填内容就行了。
） 一般分为序论、本论、结论三部分。
提出问题，分析问题，解决问题。
论证的形式，纵深式（递进式），平列式，综合式。
第四章 写论文 一、格式及要求：前置部分及主体部分 前置部分：标题、署名、指导教师、目录、摘要、关键词 （一）标题：对论文重点的直接呈现。
准确得体，通俗易懂，简短精练（不能 简短，可加副标题），符合规范。
（二）署名，在题下。
（三）指导教师：xxx （四）摘要（可复制文中关键句子，稍作修 饰、连缀即可） （五）关键 词，一般3—5个即可，以重要程度为序。
（六）目录 主体部分： 前言、正文、结论、参考文献、致谢 （一）前言（引言，序论，导言，绪言） （二）正文（本论，主体） （三）结论 （四）注释 (五)参考文献 （文献名，作者，出版社，版次） 二、具体方法与规 范 （一）写作的顺序 1按照提纲自首至尾 2先写思考成熟的部分，最后焊接起来。
（若不知从何写起，就这样写） 写此不管彼，只求一意法。
（二）引用材料的方法 1直接引用法 引证。
推论，尊重，显示自己并非标新立异，不乏同道。
（拉赞助） 2先斩后奏法 先概述观点，然后指出某人某文已详言之（加注参见） 3映带法 崇山峻岭，又有清流急湍映带左右。
研究韩愈，不妨提及东坡；研究明清诗，也可上溯到汉魏。
4戒剽窃。
学会运用，而不是照抄。
（三）论文的整体要求 准确，概括、简练，严谨客观，平实，文采。
不可以孤立的看问题，要注意上下影响。
（四）段落、标点规范 （五）语体的要求 要简约典雅。
第五章 修改、定稿 文不厌改，要改得死去活来。
一、自己反复阅读， （1）改正错误的字、词、句（笔下误）。
（2）逻辑错误 （3）修正完善观点（4）论据错误（5）调整结构布局（完美，圆满，面团原理，增删 材料）（6）修饰词句。
面团原理：你如果原打算写五个部分，最后只写成三个部分；那你就说你本来就打算写三个部分，现在如期完成了，很“圆满”。
因为没有人知道你的原计划，也 没有人想知道，所以没必要告诉他人。
二、他人审校（吸收他人意见；自己的错误往往看不出）。
互相审阅，互相挑毛病。
第六章 答辩 虚心点就行。
自己写的，也不用心虚。
黄沾论文读后感
黑客，源于英文Hacker，原指热心于计算机技术，水平高超的电脑专家。
有人说：是黑客成就了互联网，成就了个人电脑，成就了自由软件，黑客是计算机和互联网革命真正的英雄和主角。
而如今呢
黑客商业化，黑色产业链已经很成熟：免杀，盗号，挂马，黑站，传播病毒……这一切让我们吃惊，让我们的黑客精神不复存在。
黑客在普通民众心中已经成为邪恶的代名词。
黑客已经失去最初那种纯粹的技术追求，探索发现的精神。
原始黑客站出来了。
我们要维护我们心目中的黑客精神。
我们要回归，回归到原始的纯粹的质朴的黑客精神。
我们要真正将黑客与安全融合。
我们要人们不再认为黑客是邪恶的。
我们要让人们知道黑客是种精神，而不是盗号木马病毒等乌七八糟的东西。
我们会一直贯彻我们的黑客理念，自由，开源，分享…… 本人不是技术的狂热爱好者，但可以为志同道合的朋友们提供一个交流的场所。
原始黑客部落刚刚成立，诚邀和我们有共同理念的人们加入。
我们的技术不是最好的，但我们的黑客精神是最原始的。
大一形式政策论文红本读后感
这一门科学深深的吸引着我们这些同学们，原先不管是国内还是国外都喜欢把这个系分为计算机软件理论、计算机系统、计算机技术与应用。
后来又合到一起，变成了现在的。
我一直认为这门专业，在本科阶段是不可能切分成计算机科学和计算机技术的，因为计算机科学需要相当多的实践，而实践需要技术；每一个人(包括非)，掌握简单的计算机技术都很容易（包括原先Major们自以为得意的程序设计），但的优势是：我们掌握许多其他专业并不深究的东西，例如，算法，体系结构，等等。
非的人可以很容易地做一个芯片，写一段程序，但他们做不出计算机专业能够做出来的大型系统。
今天我想专门谈一谈计算机科学，并将重点放在计算理论上。
1)计算机语言 随着20世纪40年代第一台存储程序式通用电子计算机的研制成功，进入20世纪50年代后，计算机的发展步入了实用化的阶段。
然而，在最初的应用中，人们普遍感到使用机器指令编制程序不仅效率低下，而且十分别扭，也不利于交流和软件维护，复杂程序查找错误尤其困难，因此，软件开发急需一种高级的类似于自然语言那样的。
1952年，第一个Short Code出现。
两年后，Fortran问世。
作为一种面向科学计算的高级，Fortran的最大功绩在于牢固地树立了高级语言的地位，并使之成为世界通用的程序设计语言。
Algol60的诞生是计算机语言的研究成为一门科学的标志。
该语言的文本中提出了一整套的新概念，如变量的类型说明和作用域规则、过程的递归性及参数传递机制等。
而且，它是第一个用严格的语法规则——巴科斯范式（BNF）定义语言文法的高级语言。
程序设计语言的研究与发展在产生了一批成功的高级语言之后，其进一步的发展开始受到程序设计思想、方法和技术的影响，也开始受到程序理论、软件工程、人工智能等许多方面特别是实用化方面的影响。
在“软件危机”的争论日渐平息的同时，一些设计准则开始为大多数人所接受，并在后续出现的各种高级语言中得到体现。
例如，用于支持结构化程序设计的，适合于军队各方面应用的大型通用程序设计语言ADA，支持并发程序设计的MODULA-2，支持逻辑程序设计的PROLOG语言，支持人工智能程序设计的，支持面积对象程序变换的SMALLTALK、C等。
而且，伴随着这些语言的出现和发展，产生了一大批为解决语言的编译和应用中所出现的问题而发展的理论、方法和技术。
有大量的学术论文可以证明，由高级语言的发展派生的各种思想、方法、理论和技术触及到了计算机科学的大多数学科方向，但内容上仍相对集中在语言、计算模型和软件开发方法学方面。
(2)计算机模型与软件开发方法 20世纪80年代是、分布式处理和多媒体大发展的时期。
在各种高级程序设计语言中增加并发机构以支持分布式程序设计，在语言中通过扩展绘图子程序以支持程序设计成为当时程序设计语言的一种时尚。
之后，在模数\\\/数模转换等接口技术和数据库技术的支持下，通过扩展高级语言的程序库又实现了多媒体程序设计的构想。
进入20世纪90年代之后，并行计算机和分布式大规模异质的发展又将并行程序设计语言、并行编译程序、并行、并行与等试行软件的开发的关键技术依然与高级语言和计算模型密切相关，如各种并行、并发程序设计语言，进程代数，PETRI网等，它们正是软件开发方法和技术的研究中支持不同阶段软件开发的程序设计语言和支持这些软件开发方法和技术的理论基础——计算模型。
(3)计算机应用 用计算机来代替人进行计算，就得首先研究计算方法和相应的计算机算法，进而编制计算机程序。
由于早期计算机的应用主要集中在科学计算领域，因此，就成为最早的应用数学分支与计算机应用建立了联系。
最初的时候，由于计算机的存储器容量很小，速度也不快，为了计算一些稍稍大一点的题目，人们常常要挖空心思研究怎样节省存储单元，怎样减少不需要的操作。
为此，发展了像稀疏矩阵计算理论来进行方程组的求解；发展了杂凑函数来动态地存储、访问数据；发展了虚拟程序设计思想和程序覆盖技术在内存较小的计算机上运行较大的程序；在子程序和程序包的概念提出之后，许多人开始将数学中的一些通用计算公式和计算方法写成子程序，并进一步开发成程序包，通过简洁的调用命令向用户开放。
子程序的提出是今日软件重用思想的开端。
在计算机应用领域，科学计算是一个长久不衰的方向。
该方向主要依赖于应用数学中的数值计算的发展，而数值计算的发展也受到来自计算机系统结构的影响。
早期，科学计算主要在单机上进行，经历了从小规模数值分析到中大规模数值分析的阶段。
随着并行计算机和分布式并行计算机的出现，并行数值计算开始成为科学计算的热点，处理的问题也从中大规模数值分析进入到中大规模复杂问题的计算。
所谓中大规模复杂问题并不是由于数据的增大而使计算变得困难，使问题变得复杂，而主要是由于计算中考虑的因素太多，特别是一些因素具有不确定性而使计算变得困难，使问题变得复杂，其结果往往是在算法的研究中精度与复杂性的矛盾难于克服。
几何是数学的一个分支，它实现了人类思维方式中的数形结合。
在计算机发明之后，人们自然很容易联想到了用计算机来处理图形的问题，由此产生了计算机图形学。
计算机图形学是使用计算机辅助产生图形并对图形进行处理的科学。
并由此推动了计算机辅助设计（CAD）、计算机辅助教学（CAI）、计算机辅助信息处理、计算机辅助测试（CAT）等方向的发展。
在各种实际应用系统的开发中，有一个重要的方向值得注意，即实时系统的开发。
利用计算机证明数学定理被认为是人工智能的一个方向。
人工智能的另一个方向是研究一种不依赖于任何领域的通用解题程序或通用解题系统，称为GPS。
特别值得一提的是在专家系统的开发中发展了一批新的技术，如知识表示方法、不精确性推理技术等，积累了经验，加深了对人工智能的认识。
20世纪70年代末期，一部分学者认识到了人工智能过去研究工作基础的薄弱，开始转而重视人工智能的逻辑基础研究，试图从总结和研究人类推理思维的一般规律出发去研究机器思维，并于1980年在《Artificial Intelligence》发表了一组非单调逻辑的研究论文。
他们的工作立即得到一大批计算机科学家的响应，非单调逻辑的研究很快热火朝天地开展起来，人工智能的逻辑基础成为人工智能方向发展的主流。
数据库技术、多媒体技术、图形学技术等的发展产生了两个新方向，即计算可视化技术与虚拟现实技术。
随着计算机网络的发展，分布在全世界的各种计算机正在以惊人的速度相互连接起来。
网络上每天都在进行着大量政治、经济、军事、外交、商贸、科学研究与艺术信息的交换与交流。
网络上大量信息的频繁交换，虽然缩短了地域之间的距离，然而同时也使各种上网的信息资源处在一种很难设防的状态之中。
于是，计算机信息安全受到各国政府的高度重视。
除了下大力气研究对付计算机病毒的软硬件技术外，由于各种工作中保密的需要，计算机密码学的研究更多地受到各国政府的重视。
实际上，在计算机科学中计算机模型和计算机理论与实现技术同样重要。
但现在许多学生往往只注重某些计算机操作技术，而忽略了基础理论的学习，并因为自己是“操作高手”而沾沾自喜，这不仅限制了自己将研究工作不断推向深入，而且有可能使自己在学科发展中处于被动地位。
例如，在20世纪50年代和20世纪60年代，我国随着计算机研制工作和软件开发工作的发展，陆续培养了在计算机制造和维护中对计算机某一方面设备十分精通的专家，他们能准确地弄清楚磁芯存储器、磁鼓、运算器、控制器，以及整机线路中哪一部分有问题并进行修理和故障排除，能够编制出使用最少存储单元而运算速度很快的程序，对机器代码相当熟悉。
但是，当容量小的磁芯存储器、磁鼓、速度慢的运算器械、控制器很快被集成电路替代时，当程序设计和软件开发广泛使用高级语言、软件开发工具和新型软件开发方法后，这批技术精湛的专家，除少量具有坚实的数学基础、在工作中已有针对性地将研究工作转向其他方向的人之外，相当一部分专家伴随着新技术的出现，在替代原有技术的发展过程中而被淘汰。
因此，在计算机科学中，计算比实现计算的技术更重要。
只有打下坚实的理论基础，特别是数学基础，学习计算机科学技术才能事半功倍，只有建立在高起点理论基础之上的计算机科学技术，才有巨大的潜力和发展前景。
计算机理论的一个核心问题我国计算机科学系里的传统是培养做学术研究，尤其是理论研究的人（方向不见得有多大的问题，但是做得不是那么尽如人意）。
而计算机的理论研究，说到底了，如网络安全学，图形图像学，视频音频处理，哪个方向都与数学有着很大的关系，虽然也许是正统数学家眼里非主流的数学。
这里我还想阐明我的一个观点：我们都知道，数学是从实际生活当中抽象出来的理论，人们之所以要将实际抽象成理论，目的就在于想用抽象出来的理论去更好的指导实践，有些数学研究工作者喜欢用一些现存的理论知识去推导若干条推论，殊不知其一：问题考虑不全很可能是个错误的推论，其二：他的推论在现实生活中找不到原型，不能指导实践。
严格的说，我并不是一个理想主义者，政治课上学的理论联系实际一直是指导我学习科学文化知识的航标（至少我认为搞计算机科学与技术的应当本着这个方向）。
我个人的浅见是：计算机系的学生，对数学的要求固然跟数学系不同，跟物理类差别则更大。
通常非数学专业的所?高等数学，无非是把数学分析中较困难的理论部分删去，强调套用公式计算而已。
而对计算机系来说，数学分析里用处最大的恰恰是被删去的理论部分。
记上一堆曲面积分的公式，难道就能算懂了数学
那倒不如现用现查，何必费事记呢
再不然直接用Mathematica或是Matlab好了。
退一万步。
华罗庚在数学上的造诣不用我去多说，但是他这光辉的一生做得我认为对我们来说，最重要的几件事情：首先是它筹建了中国科学院计算技术研究所，这是我们国家计算机科学的摇篮。
在有就是他把很多的高等数学理论都交给了做工业生产的技术人员，推动了中国工业的进步。
第三件就是他一生写过很多书，但是对高校师生价值更大的就是他在病期间在病床上和他的爱徒王元写了《高等数学引论》（王元与其说是他的爱徒不如说是他的同事，是中科院数学所的老一辈研究员，对歌德巴赫猜想的贡献全世界仅次于陈景润）这书在我们的图书馆里居然找得到，说实话，当时那个书上已经长了虫子，别人走到那里都会闪开，但我却格外感兴趣，上下两册看了个遍，我的最大收获并不在于理论的阐述，而是在于他的理论完全的实例化，在生活中去找模型。
这也是我为什么比较喜欢具体数学的原因，正如我在上文中提到的，理论脱离了实践就失去了它存在的意义。
正因为理论是从实践当中抽象出来的，所以理论的研究才能够更好的指导实践，不用于指导实践的理论可以说是毫无价值的。
正如上面所论述的，计算机系的学生学习高等数学：知其然更要知其所以然。
你学习的目的应该是：将抽象的理论再应用于实践，不但要掌握题目的解题方法，更要掌握解题思想，对于定理的学习：不是简单的应用，而是掌握证明过程即掌握定理的由来，训练自己的推理能力。
只有这样才达到了学习这门科学的目的，同时也缩小了我们与数学系的同学之间思维上的差距。
关于计算机技术的学习我想是这样的：学校开设的任何一门科学都有其滞后性，不要总认为自己掌握的某门技术就已经是天下无敌手了，虽然现在Java,VB,C,C++用的都很多，怎能保证没有被淘汰的一天，我想.NET平台的诞生和X#语言的初见端倪完全可以说明问题。
换言之，在我们掌握一门新技术的同时就又有更新的技术产生，身为当代的大学生应当有紧跟科学发展的素质。
举个例子，就像有些同学总说，我做网页设计就喜欢直接写html，不愿意用什么Frontpage,Dreamweaver。
能用语言写网页固然很好，但有高效的手段你为什么不使呢
仅仅是为了显示自己的水平高，unique? 我看真正水平高的是能够以最快的速度接受新事物的人。
高级程序设计语言的发展日新月异，今后的程序设计就像人们在说话一样，我想大家从xml中应是有所体会了。
难道我们真就写个什么都要用汇编，以显示自己的水平高，真是这样倒不如直接用机器语言写算了。
反过来说，想要以最快的速度接受并利用新技术关键还是在于你对计算机科学地把握程度。
总的来说，从教育角度来讲，国内高校的课程安排不是很合理，强调理论，又不愿意在理论上深入教育，无力接受新技术，想避开新技术又无法避得一干二净。
我觉得关键问题就是国内的高校难于突破现状，条条框框限制着怎么求发展。
我们虽然认识得到国外教育的优越性，但为什么迟迟不能采取行动
哪怕是去粗取精的取那么一点点。
学术论文的读书笔记怎么写
学术读记【篇一：学术论文读】论文读后感我读的论文题目是progressiveauthentication:decidingwhentoauthenticateonmobilephones》，这是一篇由中国计算机学会推荐的国际学术会议和期刊论文，发表在usenix会议上。
该篇论文综合论述了近年来手机验证领域的一些新发展，并对当前手机认证方法的安全性和方便性问题提出了自己的看法和观点。
论文中指出传统的验证方法并不符合大部分手机用户的需要，只用更加智能化的手段才是未来手机行业的发展趋势。
该论文观点鲜明，论证清晰有力，论据充分可靠，数据准确，资料详实，文献综述丰富而规范，其中论文关于手机安全验证的方方面面都具有相当高的新的见解。
下面简单介绍如下：一、安全性和可用性论文对当前使用手机人群的满意度进行了详细的调查分析，发现有超过60%的手机用户不会再手机上使用pin。
这种现象一方面是由于用户觉得该验证方法过于麻烦，另一方面也说明用户对自身手机的安全性缺乏正确的认识。
文中提到“all-or-nothing”的验证方式，即或者全部验证，或者全部不验证，这也正是当前大多数手机的验证方法，该方式也不能满足人们对安全性和可用性的需求。
本文提到的验证技术对手机行业来说并不是一种新的验证方法，而是综合分析当前所有的验证方式后得到的一个结论：何时验证以及对何种应用进行验证。
这正是该篇论文的意义所在，希望可以对手机验证技术有一个很好的指导作用。
在保证安全性的基础上，尽可能的
计算机方面的论文如何发表
评职称用
第一步. 调研、入门 1. 确定一个感兴趣的大领域，比如分布式系统或者机器学习，或者深度神经网络。
读这个领域经典算法和技术，也可以是几本比较好的书，读完然后再实践实践，动手加深理解。
这个过程做完就算是初步入门了。
2. 找该领域的顶级会议，比如系统领域的有OSDI、SOSP，机器学习的领域有ICML、CVPR，深度学习的有NIPS、ICLR等等，可以搜CCF会议推荐列表看各领域的顶会列表。
然后看近几年这些顶会的论文，因为这代表了最新的研究热点，咱不是说一味的追热点啊，毕竟对于初学者没有足够的领域专业背景，追热点是最快的方法。
因为热点往往是该领域最亟待解决的问题，往往是发展最快的小方向，也最容易产生新成果。
如果是老问题，人家都研究十几年了，给你留下的待解决的问题就很少或者不是很重要。
当然如果是有几十年经验的研究者就不必追热点，他们知道该领域哪些是fundamental的问题，哪些是最值得研究的问题。
3. 读了这些前沿论文后，确定一个小方向，比如分布式系统是个大方向，小方向可能是机器学习分布式训练；大方向是深度学习，小方向可能就是graph embedding；大方向是机器学习，小方向可能是半监督学习等等。
确定小方向的过程是个知识不断积累的过程，非常重要，这需要你对大方向有很多了解，对小方向有更深入更全面的理解，需要读好至少100篇以上论文，需要你知道该小方向的研究进展历史，这需要你知道该小方向别人都在哪方面做工作，做该小方向的顶级研究组都有哪些，他们正在干什么。
第二步. 发现问题 这步超级难，如果发现了个好问题，那就是成功的一半。
这个问题最好是重要的、本质的、没有直观解决方法的。
4. 确定小方向后，你需要阅读大量的这个小方向的论文和了解开源项目，再不断聚焦，再确定一个要改进和优化的小小方向，这个可能就是论文的主题。
小小方向可能是机器学习分布式系统中的parameter server通信模型，可能是dynamic graph embedding等。
然后就要更聚焦地读这方面的相关论文，这时候论文就比较少了，几篇到几十篇到几百篇都有可能，这些论文要精读，花几个月时间研究一篇论文也不为过。
5. 挑几个重要的论文工作实现，也可以找开源的运行跑一跑试一试，idea往往从实际运行中来，光靠读是不行的。
这个跑一跑可能需要你尝试不同的运行环境，不同的workload数据集，不同的应用场景等。
比如，parameter server（PS）模型在本地集群上跑是不是和paper声明的一样、在异构的动态性极强的集群环境下效果怎么样、除了paper提到的算法处理其他算法的时候效果怎么样、除了paper提到的数据集换另外一类数据集怎么样；graph embedding方法处理密集图和稀疏图都怎么样，处理动态变化的图怎么样，等等吧。
你要发现X方法仅在a环境下好用，在b环境不好用。
这个就是发现问题的过程。
当然，没经验的研究者可能很难想到多种环境、多种workload、多种应用场景，这就需要积累。
另外一个发现问题的方法是从实际生产中来，这个当然是最好的，但是往往是大企业环境下才有这个条件。
6. 确定你发现的问题还没有被解决。
这又需要广泛的阅读和调研，但是问题已经很聚焦了，搜索也会很容易，用你特定问题的关键字在google 搜索（这里强烈建议用google，其他搜索引擎基本搜不到），找到解决相关问题的论文。
看看这些论文是不是已经解决了该问题，如果解决了，你有两种方案：第一，该问题已经解决的非常好了，放弃解决该问题。
第二，该问题的解决方案还有问题，我还有更好的办法。
我建议后者，最起码尽量尝试尝试。
5和6步是个迭代的过程… 第三步. 分析问题 7. 分析问题产生的本质原因。
这个往往和第5步发现问题同时进行。
这一步靠的是功底和积累，靠的是对问题的理解程度。
理解的越深刻，分析的越透测，你之后产生的解决思路就越有可能正确和有效。
比如分布式机器学习的PS模型在异构环境下、和在处理数据不均匀的情况下就不好，本质原因是其同步的集中式通信模型，造成PS集中服务器往往需要等待。
传统graph embedding方法采用批处理模式，需要graph的全局信息做embedding，当然无法应付动态性非常强的局部更新情况。
8. 基于分析，就是对该问题的深刻理解，产生改进的idea。
这个可能很难，可能靠运气，但我觉得更多的是靠对问题的理解程度，理解的越深刻，本质原因抓的越准，就越可能产生创新idea。
读过一本介绍google企业文化的书，google产品的成功，既不是靠技术能力，也不是靠用户需求，而是靠技术洞见（insight），这就是对问题本质的深刻理解。
比如，PS模型在某环境下问题的本质原因是集中式的同步模型，那么我们就可以提出尝试异步通信的模型的idea。
分析能力跟个人的批判性思维、独立思考能力都有关，而这正是中国人欠缺的，可以通过读有深刻见地的书籍文章、经常提问来锻炼。
第四步. 解决问题 9. 实现你的idea，做大量实验验证。
这需要动手能力，需要编程能力，需要坐得住。
10. 验证你的解决方案，根据实验分析不断优化你的方法。
做了大量试验后，得到了若干结果，可能是不好的结果，但是不要一下子否定自己的解决方案，这不能说明你的idea不好用。
一个好的方法往往经过千锤百炼，同样，你的idea通常不会一下子就成功。
需要你根据实验结果分析不好的原因，然后基于你的理解改进方法，这是一个反复不断迭代的过程。
比如，你发现异步PS模型效果还不如原来的呢。
那么关键的是，你要问自己为什么
为什么理应提升的却没有提升
你要看实验运行的日志，看看是哪里慢了，差在哪里，最后你经过不断的实验、分析、思考，你发现了，你提出的异步PS模型虽然没有了等待开销，但是计算的有效性却降低了，结果整体性能反而下降了。
那么你下一次迭代就要想怎么把这个计算有效性提上来。
我又有了个方法，可以评估每次计算的有效性，然后把计算资源都投到有效性高的计算上。
OK，idea不错，那么怎么评估有效性呢
不能开销太大，否则又得不偿失了，你可能想到了一种近似地评估方法。
重新实现后，发现效果还不错。
OK，恭喜你
你可以准备发论文了
整个研究过程，导师将起到关键的作用。
导师可能会给你个问题，这是难能可贵的，基本帮你做了一半的事了，否则你可能需要花上一年时间找问题。
然后整个研究过程，都是在导师的引导下进行，需要定期向导师汇报，与导师讨论idea和请导师分析实验结果。
最好自己也要经常找同门讨论，而不是闭门造车。
第五步. 撰写论文 11. 设计你的论文，草拟论文的骨架。
每一章都写啥，每一段都写啥，实验都做啥。
论文的逻辑往往比语言重要的多，逻辑合理的论文更易读懂，即使咱华人有天生的英语语言缺陷，但是好的逻辑就可以弥补这个不足。
写论文就和讲故事一样，怎么能把一个事说明白，不那么简单，甚至说很难，需要不断锻炼。
写完给老师看，老师同意后进行下一步 12. 写作论文。
这个就是根据骨架填肉的过程，但是这一步也不简单，特别对于英语不好的同学，写出来的东西简直是不忍直视、不堪入目、毁人三观。
最近上海某高校老师辱骂学生这事就是因为这个，我可以说，我每次看到学生论文也都是这个心情，给学生通宵改论文在家里一边改一边骂，但是当面对学生还是要以鼓励为主，要耐心，要耐心，要耐心，尽力压制自己的怒火，以平和的心态帮助学生提高，期望他下次能给个更好的版本。
但是往往事与愿违，看淡点吧，仅求写作态度好点就行了，毕竟这不是一朝一夕能提高的，需要你不断积累。
有几个写作的方法吧。
第一，不要自己想当然，对于不确定的句型，用“”扩上上google搜，看看你这句型有多少人用过，如果没有几个人用，那就别用，换个写法。
第二，读别人论文时，遇到好的句型就记下来，不断积累才能提高。
第三，避免一切语法错误，我觉得这个是可以做到的，现在网上那么多工具都可以用。
语法错误都避免不了那基本就是态度问题。
遗憾的是，我很少遇到能避免语法错误的学生，我生气往往是因为态度问题，而不是能力问题。
第四，尽量用短句用简单句子，别用长句。
你写论文是为了让别人理解你的方法，不是写文艺作品，能说明白就行。
13. 提炼总结，改进方法。
写作的过程也是屡顺自己思路的过程，写作的过程中往往也能发现自己方法的漏洞，那么就要继续回到8，重新思考解决方案，又或者你发现需要补实验来支撑你的论点，那么就继续实现系统做实验，得到实验结果。
14. 关于实验。
怎么做实验是学生总问的问题，怎么做科学实验也是一个很重要的问题，有对照组、无偏的、定量的，这些都是科学实验的重要要素。
如果有解决该问题的其他方法你首先要说明你的方法更好，至少在某一方面更好，这其中可能要涉及到不同的执行环境，或不同的算法数据集。
然后设计实验说明你的方法好在哪里，用实验数据说明，比如异步PS和同步PS对比。
然后你要进一步用实验数据说明，异步PS的有效性也提高了，如果不考虑有效性的话那么结果就不好。
然后你的方法是否有些重要的超参数，试试variation导致各种结果。
在实验结果展示方面，要学会用各种工具画各种图，把重要的因素用可视化方式体现出来。
第六步. 投稿和看待审稿意见 15. 接下来就是投稿。
选一个合适的会议或期刊投稿，这个可以听老师的，老师基本有这方面的常识，根据你工作的方向和档次选择合适的去处。
确定好了哪个会议期刊后，就需要按照会议期刊要求来整理论文格式，latex是必会的工具了。
之后赶在deadline之前提交论文，这个最后的几天可能很痛苦，因为你的论文和方法总有改进的地方，老师的要求会让你最后几天是最忙的几天。
但是需要认识到，凡事无完美，你总也改不到完美，你需要一个deadline来督促你完成一个milestone。
开始进一步工作或下一个工作。
16. 看待评审意见。
接下来是漫长的等待，会议一般是2-3个月的时间，结果可能是接收也可能是拒掉，相比于结果，更应该看评审意见，看看这些意见是否合理，是否能解决，无论是接收还是拒绝，然后接下来就再次回到解决问题的部分，再次开始优化方法的过程。
如果是接收了，那就可以准备订机票开会旅游去了。
如果是拒掉那一般是有比较大的问题，那就再仔细深思下一下你的方法。
继续优化，还是降低档次投个差点的会，就看你导师的了。
第七步. 后续 17. 宣传你的工作，扩大影响力。
首先你可能是要去参加会议，做个漂亮的ppt，反复演练，争取有比较好的演讲效果。
有时你导师有机会去一些地方做报告，把这个工作介绍一下，都是扩大影响力的方法。
18. 开放源码。
还有是尽量把自己工作的代码和数据开放，挂到网上，让别人来使用，接受别人的改进意见或者是简单的debug。
咱不是专业的工程人员，也不用指望你的成果可以马上用于生产，个人觉得开放代码主要是为了让别人更好滴了解你的方法，这有助于扩大影响力，产生后续研究工作。
如果有人引用你的论文、或咨询论文内容、又或是使用了你的代码和数据，这也算是你对整个科研事业有那么一丁点的贡献了，这比水论文有意义多了。
整体来说，发表论文需要你有：批判思维能力，动手能力，知识面，写作能力，表达能力，英语，韧劲（抗打击能力）等等一系列能力，如果在研究生期间真能发表一篇论文，经历了以上这么多磨难和锻炼，我想你的能力也是不知不觉提高了很多，成为了该小小方向的一个小小的专家了。
这对你来说，是最最重要的。
这里我提到了韧劲，就是说，在解决问题过程中，你会受到不断的打击，包括来自导师的、来自自己的实验结果方面的、来自评审意见的，但是你要做的就是，站起来，继续凿，直到导师满意，知道reviewer满意，直到大家满意。
别把这事想简单了，当你想象一下周围好多人都发好多sci了，而你还在为这么一篇完全未知结果的论文而这么努力的时候，我觉得大部分人可能就是缺少这个韧劲才最终以失败告终的… 最后，我想再强调一下，发论文不是简单地发论文，而是通过发论文宣传你的工作，以便对某技术或人有那么一丁点影响。
无论你发哪个档次的论文，只要目标正确，我觉得你都会有收获和有贡献的。
相比较于为了发论文而发论文，你会觉得你是那么地高尚和高大，他们只是造废纸，而你已经对社会有贡献了…（以上内容来源于学术堂）
