数据篇

1. 对于不熟悉的任务或者数据，一定要小心仔细地检查数据的各种性质、各种分布，对数据的各项指标了如指掌。
2. 仔细检查数据的过程中，得到一些重要的直觉，记录下来。
3. 数据的预处理非常重要。预处理的时候结合最佳实践和模型需求进行。

模型篇

1. 建立模型时，不要急于用代码实现。先和师兄或者导师讨论，充分以后再实现。
2. 从最简单的模型开始。一步一步加大模型的复杂性，而不使性能下降。
3. 对于复杂的模型，先选取一小部分数据进行检验。小数据拟合的很好以后，再进行大数据的测试。

实现篇

1. 代码实现的时候，自上而下/快速迭代同时使用。初期尽量少地使用模块化以保证灵活性。
2. 代码实现的时候，如果Github有类似实现，一定先阅读现有的方法。避免重新造轮子/实现过于复杂/实现错误。
3. 代码实现的时候进行单元测试。提交代码之前先通过尽量完整的测试。

训练篇

1. 先试用最简单的优化器，比如带有动量的梯度下降法，不奏效以后再使用更高阶的优化器。
2. 利用好损失曲线和结果曲线，来观察模型的学习过程。如果曲线过于震荡，考虑加大batch的大小。如果在训练集上太难拟合，考虑减少模型参数；增加特征。如果训练集拟合的很好，开发和测试集效果不好，考虑使用十折交叉法检验训练和测试集的分布是否一致。
3. 根据曲线来调整学习率。学习率是最重要的超参数之一。

学习篇

1. 保证不时阅读顶会论文/最新论文，掌握最新的研究动向。
2. 阅读论文和代码实现同步进行，加深对文章的理解，提高实现能力。

其他

1. 尽量多地与导师沟通。掌握主动权。频率至少两周一次。
2. 对于导师布置的任务，尽可能快速完成。如果屡次不能得到好的结果，一定及时和导师汇报。否则会导致导师不敢把其他的任务交给自己。
3. 要一直学习不能松懈。