【学术】分享几种论文写作神器,提高你的写作效率

网友投稿 3162 2022-08-24

【学术】分享几种论文写作神器,提高你的写作效率

【学术】分享几种论文写作神器,提高你的写作效率

本人在写论文的时候,用到了很多工具,可用说这些工具可以大大提高写论文的效率,本文分享下我常用的论文神器。(作者:黄海广)

本文介绍以下几种工具:

论文管理神器ZoteroOCR神器(公式识别等)Latex工具语法校对工具论文绘图工具

论文管理神器Zotero

一、Zotero简介

Zotero作为一款协助科研工作者收集、管理以及引用研究资源的免费软件,如今已被广泛使用。此篇使用说明主要分享引用研究资源功能,其中研究资源可以包括期刊、书籍等各类文献和网页、图片等。欢迎所有共同学习使用的朋友提供批评意见或补充使用经验。

-:apt-add-repository ppa:smathot/cogscinl # Say yes/press enter to accept any requests.$ sudo apt-get update# Wait for it to complete, then:$ sudo apt-get install zotero-standalone

二、新建分类

步骤:我的文库→右键→新建分类→输入名称→鼠标右键我的文库→出现新建文件夹

三、英文文献信息导入

步骤(非常简单):

在新建目录下→鼠标拖入英文文献→右键重新抓取PDF文件的元数据→获取文献基本信息

备注:一些时间久远的英文论文也不能直接抓取数据,具体信息抓取方法参照第四部分中文文献的信息导入。

四、中文文献信息导入

步骤(稍复杂):

1. 在Text目录下→鼠标拖入中文文献

3. 用记事本打开-好的.bib文件→复制全部内容

4. Zotero界面文件一栏→选择从剪贴板导入

5. 将PDF文件鼠标拖至刚导入文件成为其子文件→完成中文文献的信息抓取

五、插入文献

步骤:

六、寻找非默认引文格式

步骤:

七、使用坚果云同步文献

zotero只给了300m的空间,大概只能放80来篇文献的全文文件,如果文献较多就不能同步全文。注意:使用同步功能要先注册zotero账号。解决方法:使用坚果云:

坚果云官网:DOl Manager,它们可以自动-pdf,或者获取论文的DOI。

具体使用方法可以网上搜索获取。

OCR神器(公式识别等)

我发现了一个神奇的OCR工具:天若OCR,功能真的很好很强大。

免费版本可以识别图片文本,收费版本也不贵,59元一次性买个专业版,可以定义接口。

软件具有文本识别、翻译等功能,这些通用功能我就不展开说明了,我着重推荐两个功能:公式识别和表格识别。

公式识别

我之前推荐过公式的识别神器mathpix,真的很好用,但是免费的只有每个月50次,不够。

天若OCR可以设置mathpix的接口,mathpix接口一个月免费1000次识别,应该够了,注册的时候要绑定信用卡(注册过程要科学上网),识别效果:

原图片公式

识别后的公式,可以导出tex或者保存为word文件

表格识别

一般的OCR软件识别文字都问题不大,但是表格识别却是个问题,解决这个问题,这里推荐下腾讯优图的接口,目前每天200次识别免费。在天若OCR里配置好表格识别的接口为腾讯优图后,识别效果如下:


Period

#Node

#Edge

Diameter

#WCC

APL

Over one week

11653

92118

36

200

11

Over two weeks

9904

40772

73

737

24

Over four weeks

6900

14646

18

1433

4

原始表格图片

识别表格效果

识别后的表格,可以直接导入到word:

导入word效果

天若还可以对三线表添加网格后进行识别,非常方便。

在线的latex编辑和编译工具:overleaf

论文最终展现出来的就是一个PDF格式的文档。

当然可以使用word,但光排版这件事情,就能耗费你一半的精力。

正确的答案是,使用latex,它是一个专业的排版工具,按照latex的语法进行写作,执行编译就能够得到PDF文件。它的语法包含了如何排版,虽然相比word上手要慢,但在排版这件事情上,入门级别的latex语法,你要达到精通word的水平。

latex如何使用呢?当然,要安装编译器,再安装编辑器,本地一通配置,偶尔会遇到些问题,凭着强大的谷歌搜索,倒也不是什么难事。配置本地环境,不如直接使用在线编辑器。

overleaf.com

注册即用,免去本地latex环境安装的痛苦。多人合作,共同编辑。富文本编辑模式,比写latex源码舒服些。随时可以完成在线编译,查看PDF。

按照overleaf的开始流程,有选择模板的过程,模板怎么选,还是要看投稿的期刊或者会议的要求。以KDD为例,在它的KDD 2019 Call for Research Papers页面上,给出了模板格式,看看能不能在overleaf上找到,即使没有,一会提供-,自己上传到overleaf。

走过这一步,已经可以编译出模板PDF了,可以照猫画虎地写起来了。

grammarly:语法纠错神器

​​install scikit-plot

即可完成安装。

仓库地址:

​​sklearn.datasets import load_digitsfrom sklearn.model_selection import train_test_splitfrom sklearn.naive_bayes import GaussianNBX, y = load_digits(return_X_y=True)X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)nb = GaussianNB()nb.fit(X_train, y_train)predicted_probas = nb.predict_proba(X_test)# The magic happens hereimport matplotlib.pyplot as pltimport scikitplot as skpltskplt.metrics.plot_roc(y_test, predicted_probas)plt.show()

效果如图(相当高大上!)

图:ROC曲线

P-R曲线就是精确率precision vs 召回率recall 曲线,以recall作为横坐标轴,precision作为纵坐标轴。首先解释一下精确率和召回率。

import matplotlib.pyplot as pltfrom sklearn.naive_bayes import GaussianNBfrom sklearn.datasets import load_digits as load_dataimport scikitplot as skplt# Load datasetX, y = load_data(return_X_y=True)# Create classifier instance then fitnb = GaussianNB()nb.fit(X,y)# Get predicted probabilitiesy_probas = nb.predict_proba(X)skplt.metrics.plot_precision_recall_curve(y, y_probas, cmap='nipy_spectral')plt.show()

图:P-R曲线

混淆矩阵是分类的重要评价标准,下面代码是用随机森林对鸢尾花数据集进行分类,分类结果画一个归一化的混淆矩阵。

from sklearn.ensemble import RandomForestClassifierfrom sklearn.datasets import load_digits as load_datafrom sklearn.model_selection import cross_val_predictimport matplotlib.pyplot as pltimport scikitplot as skpltX, y = load_data(return_X_y=True)# Create an instance of the RandomForestClassifierclassifier = RandomForestClassifier()# Perform predictionspredictions = cross_val_predict(classifier, X, y)plot = skplt.metrics.plot_confusion_matrix(y, predictions, normalize=True)plt.show()

图:归一化混淆矩阵

其他图如学习曲线、特征重要性、聚类的肘点等等,都可以用几行代码搞定。

图:学习曲线、特征重要性

本章对Scikit-plot做下简单介绍,这是一个机器学习的画图神器,几行代码就能画出高大上的机器学习图,作者当年的博士论文也是靠这个画图的。仓库地址:

​​https://github.com/reiinakano/scikit-plot​​

里面有使用说明和样例。

参考

[1]:知乎:九老师

[2]:https://zotero.org

[3]:https://github.com/reiinakano/scikit-plot

总结

本文分享下我常用的论文工具,希望对读者写论文有所帮助,祝各位读者都能写出高大上的论文。

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:c++中重载,重写、隐藏
下一篇:怎样恢复文件默认打开方式
相关文章

 发表评论

暂时没有评论,来抢沙发吧~