非计算机专业，最近做了些AI交叉工作，完成一篇论文 . 总体思路是针对本专业的问题选择合适算法，先去github上找相关最新代码，根据问题特征做一些适当的修改，把故事说明白 . 因为之前完全没经验，频频受挫，不知如何运行，一点就报错，要么缺这个库要么缺那个文件，一天过去了连环境都没配置完 经历无数磨难后，也算总结了些心得，分享给大家 . 首先很多论文代码本身就有问题，又或者加了很多trick却没明说，我在几个代码上废了老大劲，根本跑不通，所以在选择代码的时候千万要注意，尽量选择 ❶给了开源代码的论文 ❷来源顶刊顶会 ❸readme介绍详细 ❹有requirement，说清楚要安装什么库和版本 ❺star多的 ❻提供了数据集可直接复现 找到开源代码后，你需要先搞清楚这每个文件的意思，初步理解各模块功能。我会直接把网址丢给GLM4.6让他帮我解释，深度学习说白了就是由这几个部分构成的： ❶数据处理（下载、划分、预处理、载入） ❷网络模型（你可以当作一个黑盒子，把A映射成B） ❸训练（优化器、迭代次数、损失函数、参数输出） ❹测试（计算指标） . 先把代码的整个框架给给弄懂，这一步你可以用AI来帮忙，我用的是GLM4.6，他在LMArena榜上开源第1，挺好用的，可以直接把Github复制给他帮忙解释，按照这个提问：这个网站是一个关于深度学习的开源代码，请你帮我分析代码构成， 告诉我每个文件分别承担什么功能 . 然后你就可以把代码下载下来，pip install requirement.txt配置环境了，一定要记得先cd到文件夹中，如果卡住了就换清华或者阿里源。建议下载conda配置一个虚拟环境，可以减少很多问题，很容易因为一些库版本冲突导致失败 . 完成后首要任务是先测试代码，一般情况下很难直接跑通，可以打上断点一点点debug，遇到报错就把报错信息复制给GLM4.6，问他咋解决，反复几次就可以了。再不行可以下载一个claude code，然后把GLM4.6接进去，让他直接上手帮忙改，啥不会就问啥，claude太贵课题组不报销用不起，但是 glm最近有限时活动，一杯奶茶钱轻松搞定 . 代码复现报错是家常便饭，很多时候真的是考验耐心，在复现的时候记得养成标注数据形状变化的好习惯，对之后魔改有好处