AI论文快速复现实战 [GAN/OCR/NER等论文代码复现]

如果你已经能跑通几个开源 demo，但拿到一篇新论文仍然不知道从哪里下手，这门课就是冲这个缺口来的。它不教你怎么调包，而是逼你回答一个更具体的问题：论文里的数字，到底是怎么从代码里长出来的。

先搞清楚：复现难，难在哪一步

很多人以为复现的门槛在“看不懂公式”。实际卡住人的往往是另外几件事：论文只写了结构没写超参，官方代码依赖老旧跑不起来，数据预处理一笔带过，评价指标和论文对不齐。结果就是模型能跑，loss 也降，但指标差一截，你也不知道差在哪。

这门课选 GAN、OCR、NER 三条线，不是随便凑的。它们分别对应三类典型障碍：GAN 的坑在训练稳定性与损失设计，OCR 的坑在数据标注格式与后处理，NER 的坑在标签体系与评测口径。把这三类啃下来，再遇到别的论文，你至少知道该先怀疑哪一环。

三个阶段，各自要补的能力不一样

GAN：从“能生成”到“指标可复现”

GAN 的入门代码网上一抓一大把，但论文里的 FID、IS 是怎么算的，采样多少张图，用哪个特征提取器，这些细节决定了你的结果能不能和论文对齐。这一段要练的是：读损失函数时能对应到代码的哪一行，调参时知道动的是判别器还是生成器，以及怎么判断训练崩了而不是单纯没收敛。

OCR：检测与识别拆开看

OCR 论文常把检测和识别写成一条流水线，复现时却要分开验证。你要处理的是：标注格式怎么转、文本框怎么后处理、识别端的字符集怎么定。这一段最容易被忽略的是评测——同一个模型换个评测脚本，准确率能差好几个点。看懂这一点，比多跑几个模型有用。

NER：标签、对齐、评测口径

NER 看似简单，坑在细节。BIO 还是 BIOES 标注、实体边界怎么算对、subword 与标签怎么对齐，任何一处出问题，F1 都会莫名其妙地低。这一段要练的是把数据管线走通，并且能解释清楚为什么你的分数和论文不一致。

配套练习应该做成什么样

• 拿到论文后，先不看代码，自己写出数据流和损失函数的草图，再和官方实现对照，看差在哪。
• 把官方的评价脚本单独抽出来，用同一份预测结果跑两遍，确认指标口径一致。
• 对每个模型做一次“破坏性实验”：改一个超参或换一份预处理，观察指标变化方向，建立因果感。
• 把复现过程写成可重跑的配置，而不是一堆零散的 notebook 单元格。

看完应该能回答的问题

• 给你一篇 GAN 论文，你能指出训练不稳定的可能来源，并说明怎么验证。
• OCR 结果比论文低 5 个点，你会按什么顺序排查：数据、后处理、评测，还是模型本身？
• NER 的 F1 对不上，你怎么确认是标签对齐问题而不是模型问题？
• 一份别人的复现代码，你怎样判断它是真的复现了论文，还是只是跑通了一个相似结构？

如果这些问题你现在答不上来，这门课值得从头跟一遍；如果你已经能答上大半，可以直接挑 OCR 或 NER 那一段查漏补缺。复现这件事没有捷径，但有顺序——先弄清楚缺的是哪一环，再动手。