以我個人的淺見而言，一篇科學論文應該傳達一種有能力解釋某事的idea。例如，一篇證明數學定理的論文，一篇提出某種物理現象模型的論文。或者，一篇科學論文可以是實驗性的，實驗的結果告訴我們一些關於現實的基本知識。儘管如此，科學論文的核心思想是對一些非平凡的普遍性（和預測力）或對現實本質的一些非平凡的觀察的相對簡潔的表述。
私信小編007即可獲取數十套PDF哦！
！
還有第四種論文，它確實提出一個idea。這個idea甚至可能是有用的，但它同時也是微不足道的。為了掩蓋這種尷尬的事實，“學術工程”重炮再次上膛，使得論文整體上看起來令人印象深刻。
論文地址：https://arxiv.org/pdf/1807.03247.pdf
只需大約50行python代碼的事情
卷積網絡確實不能很好地解決這個問題，因為卷積神經網絡的原始模型神經認知機（Neocognitron）的設計就是忽視位置的。接下來，作者提出了一個解決方案：在卷積層中添加座標，作為附加的輸入映射。
卷積層和添加座標的CoordConv層
Not-so-Clevr數據集
那麼他們的實驗是否聰明呢？讓我們看看。
論文中使用的Toy tasks
任務之一是基於座標生成一個one-hot圖像，或者基於一個one-hot圖像生成座標。實驗表明，將座標添加到卷積網絡確實可以顯著提高性能。
他們在ImageNet上嘗試了這個座標特徵，將它添加到ResNet-50網絡的第一層。我認為不會有太大的差別，因為ImageNet中的類別讀取不是位置的函數（如果存在這樣的偏差，那麼在訓練期間的數據增強應該完全刪除它）。所以他們用100個GPU來訓練網絡（100個GPU！天啊！）。然而，到小數點後第4位，結果才顯示出一點差異。Facebook、谷歌的人可能會用10000個GPU來複現這個結果吧。這些GPU能不能用來做些更重要的事情?
閱讀更多 繁華落盡and曲終人散 的文章
