[Item/Text] 适合计算机的笔记模板

[WingLee6]

Description

适合计算机大类(数据处理, 深度学习等方向)的全面笔记模板

适用 Zotero7

Screenshots

Test on Zotero version

7

Test on Better Notes version

1.0

Template Type

Item

Template Share Code

<hr/>
<table border="1">

<h1 style="color:  #E65100; background-color:  #FFF8E1;">(${topItem.getField("date")}) ${topItem.getField("title")} (${topItem.getField("titleTranslation")}) </h1>

<tr>
<td><b>期刊: <b style="color:#FF0000">${topItem.getField('publicationTitle')}</b></b> (发表日期: <b>${topItem.getField("date")}</b>) <br><b>作者:</b> ${topItem.getCreators().map((v) => v.firstName + " " + v.lastName).join("; ")}</td>
</tr>

<tr>
<td><b>摘要翻译: </b><i>${topItem.getField('abstractTranslation')}</i></td>
</tr>

<!-- 期刊分区 -->
    <tr><td>
        <b>期刊分区: </b>
        <!-- In Zotero7, the tags of Ethereal Style plugin are referenced. Please install Ethereal Style in advance. -->
        ${{
        let space = " ㅤㅤ ㅤㅤ"
        return Array.prototype.map.call(
          Zotero.ZoteroStyle.api.renderCell(topItem, "publicationTags").childNodes,
          e => {
            e.innerText =  space + e.innerText + space;
            return e.outerHTML
          }
          ).join(space)
        }}$
    </td></tr>

 <!-- 原文pdf链接 -->
    <tr><td>
        ${(() => {
          const attachments = Zotero.Items.get(topItem.getAttachments());
          if (attachments && attachments.length > 0) {
            return `<b>Local Link: </b><a href="zotero://open-pdf/0_${attachments[0].key}">${attachments[0].getFilename()}</a>`;
          } else {
            return `<b>原文pdf链接: </b>`;
          }
        })()}
	</td></tr>

</table>

<h1><strong>〇. 写在前面</strong></h1>
<h2><strong>0.0 看文进度</strong></h2>
<h2><strong>0.1 文章四问</strong></h2>
<ul>
    <li><strong>Q1:</strong> 为什么看?
        <span style="font-size: smaller; color: #FF0000;">（推荐? 关联? 解决问题?）</span>
    </li>
    <li><strong>Q2:</strong> 文章写的什么? 
        <span style="font-size: smaller; color: #FF0000;">（创新点? 工具? 实现路径?）</span>
    </li>
    <li><strong>Q3:</strong> 效果如何? 
        <span style="font-size: smaller; color: #FF0000;">（效果图? 结果? 评价?）</span>
    </li>
    <li><strong>Q4:</strong> 感受怎样? 
        <span style="font-size: smaller; color: #FF0000;">（感受? 收获? 思考? 复看?）</span>
        </li>
</ul>

<h2><strong>0.2 场外信息</strong></h2>
<h3><strong>0.2.1 源码</strong></h3>
<ul>
    <li>作者源码地址: <a href="${topItem.getField('codeUrl')}" target="_blank">仓库链接</a></li>
    <li>作者源码描述: -</li>
</ul>
<h3><strong>0.2.2 数据集</strong></h3>
<ul>
    <li>数据集名称: -
        <ul>
            <li>数据集描述: -</li>
            <li>作者数据集下载地址: -</li>
        </ul>
    </li>
</ul>
<h3><strong>0.2.3 其他参考信息</strong></h3>
    <ul>
        <li>相关论文: -</li>
        <li>相关项目: -</li>
        <li>相关资源: -</li>
    </ul>
</li>


<h1><strong>一. 文献精读</strong></h1>
<h2><strong>1.1 创新点/新工具</strong></h2>
<span style="font-size: smaller; color: gray;">(记录文章的创新点或新工具, 如新方法、新模型、新数据集等)</span>
<h2><strong>1.2 实现路径/框架</strong></h2>
<span style="font-size: smaller; color: gray;">(记录文章的实现路径或框架, 如基于深度学习的图像分类、基于图神经网络的推荐系统等)</span>
<h2><strong>1.3 效果图/结果</strong></h2>
<span style="font-size: smaller; color: gray;">(记录文章的效果图或结果, 如模型效果图、实验结果、实验数据等)</span>
<h2><strong>1.4 感受/收获/思考</strong></h2>
<span style="font-size: smaller; color: gray;">(记录文章的感受、收获或思考, 如文章的启发、感触、思考等)</span>

<h1><strong>二. 复现信息(下文环境信息为示例, 更新后删除本条)</strong></h1>
<h2><strong>2.0 作者提供复现环境</strong></h2>
<ul>
    <li><strong>作者源码地址: </strong><a href="https://www.github.com" target="_blank">仓库链接</a></li>
    <li><strong>软件环境</strong></li>
    <li><strong>硬件环境</strong></li>
    <li><strong>数据集</strong></li>
</ul>

<h2><strong>2.1 复现方法1</strong></h2>

<h4><strong>Step 1. 环境配置</strong></h4>
<ol>
    <li><strong>硬件环境</strong>
        <table>
            <thead>
                <tr>
                    <th><strong>硬件类型</strong></th>
                    <th><strong>规格/型号</strong></th>
                    <th><strong>备注</strong></th>
                </tr>
            </thead>
            <tbody>
                <tr>
                    <td>GPU</td>
                    <td>NVIDIA RTX 3090</td>
                    <td>CUDA 11.2</td>
                </tr>
                <tr>
                    <td>CPU</td>
                    <td>Intel i9-11900K</td>
                    <td>8 核心 16 线程</td>
                </tr>
                <tr>
                    <td>内存</td>
                    <td>32GB DDR4</td>
                    <td>频率3200MHz</td>
                </tr>
                <tr>
                    <td>存储</td>
                    <td>1TB SSD</td>
                    <td>NVMe 接口</td>
                </tr>
            </tbody>
        </table>
    </li>
    <li><strong>软件环境</strong>
        <table>
            <thead>
                <tr>
                    <th><strong>软件/工具</strong></th>
                    <th><strong>版本</strong></th>
                    <th><strong>安装方式</strong></th>
                    <th><strong>备注</strong></th>
                </tr>
            </thead>
            <tbody>
                <tr>
                    <td>操作系统</td>
                    <td>Ubuntu 20.04</td>
                    <td>-</td>
                    <td>-</td>
                </tr>
                <tr>
                    <td>Python</td>
                    <td>3.8</td>
                    <td>Anaconda</td>
                    <td>虚拟环境<code>env_name</code></td>
                </tr>
                <tr>
                    <td>TensorFlow</td>
                    <td>2.8</td>
                    <td>pip</td>
                    <td>支持GPU</td>
                </tr>
                <tr>
                    <td>PyTorch</td>
                    <td>1.10</td>
                    <td>pip</td>
                    <td>支持CUDA</td>
                </tr>
                <tr>
                    <td>CUDA</td>
                    <td>11.2</td>
                    <td>-</td>
                    <td>与GPU兼容</td>
                </tr>
                <tr>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                </tr>
                <tr>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                </tr>
                <tr>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                </tr>
            </tbody>
        </table>
    </li>

    <li><strong>环境验证</strong>
        <table>
            <thead>
                <tr>
                    <th><strong>验证步骤</strong></th>
                    <th><strong>结果</strong></th>
                    <th><strong>备注</strong></th>
                </tr>
            </thead>
            <tbody>
                <tr>
                    <td>Python 环境</td>
                    <td>成功</td>
                    <td><code>python --version</code>验证</td>
                </tr>
                <tr>
                    <td>CUDA 检测</td>
                    <td>成功</td>
                    <td><code>torch.cuda.is_available()</code>返回True</td>
                </tr>
                <tr>
                    <td>TensorFlow 测试</td>
                    <td>成功</td>
                    <td>导入<code>tensorflow</code>无报错</td>
                </tr>
                <tr>
                    <td>- 测试</td>
                    <td>成功/失败</td>
                    <td>导入<code>-</code>无报错</td>
                </tr>
                <tr>
                    <td>- 测试</td>
                    <td>成功/失败</td>
                    <td>导入<code>-</code>无报错</td>
                </tr>
                <tr>
                    <td>- 测试</td>
                    <td>成功/失败</td>
                    <td>导入<code>-</code>无报错</td>
                </tr>
            </tbody>
        </table>
    </li>
</ol>

<h4><strong>Step 2. 数据集准备</strong></h4>
<ol>
    <li><strong>数据集获取</strong>
        <table>
            <thead>
                <tr>
                    <th><strong>数据集名称</strong></th>
                    <th><strong>下载链接</strong></th>
                    <th><strong>大小</strong></th>
                    <th><strong>格式</strong></th>
                    <th><strong>保存路径</strong></th>
                    <th><strong>备注</strong></th>
                </tr>
            </thead>
            <tbody>
                <tr>
                    <td>CIFAR-10</td>
                    <td><a href="https://www.cs.toronto.edu/~kriz/cifar.html" target="_blank">CIFAR-10链接</a></td>
                    <td>163MB</td>
                    <td>PNG</td>
                    <td>/dataset/CIFAR-10</td>
                    <td>点云数据</td>
                </tr>
                <tr>
                    <td>-</td>
                    <td><a href="https://www.github.com" target="_blank">链接</a></td>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                </tr>
            </tbody>
        </table>
    </li>
    <li><strong>数据预处理</strong>
        <table>
            <thead>
                <tr>
                    <th><strong>预处理步骤</strong></th>
                    <th><strong>方法</strong></th>
                    <th><strong>备注</strong></th>
                </tr>
            </thead>
            <tbody>
                <tr>
                    <td>数据清洗</td>
                    <td>删除异常值</td>
                    <td>检测并去除数据中的NaN值</td>
                </tr>
                <tr>
                    <td>数据增强</td>
                    <td>随机裁剪、翻转</td>
                    <td>提高模型泛化能力</td>
                </tr>
                <tr>
                    <td>数据划分</td>
                    <td>训练集: 80%<br>验证集: 10%<br>测试集: 10%</td>
                    <td>-</td>
                </tr>
                <tr>
                    <td>-</td>
                    <td>-</td>
                    <td>-</td>
                </tr>
            </tbody>
        </table>
    </li>
</ol>

<h4>Step 3. 模型实现</h4>
<ol>
    <li><strong>模型架构</strong>
        <span style="font-size: smaller; color: gray;">(记录模型的具体架构, 包括各层的类型、参数和连接方式, 如ResNet-50, VGG-16, DenseNet等)</span>
    </li>
    <li><strong>实现细节</strong>
        <span style="font-size: smaller; color: gray;">(记录模型的实现细节, 如损失函数、优化器、数据加载方式等)</span>
    </li>
    <li><strong>代码实现</strong>
        <span style="font-size: smaller; color: gray;">(记录模型的具体实现代码, 如模型结构、数据加载、训练、测试或解释其实现方式与论文描述的对比等)</span>
    </li>
    <li><strong>模型训练</strong>
        <ol>
            <li><strong>超参数设置</strong>
                <span style="font-size: smaller; color: gray;">(记录模型的超参数设置, 如学习率、批量大小、训练轮数、优化器、损失函数等)</span>
            </li>
            <li><strong>调整策略</strong>
                <span style="font-size: smaller; color: gray;">(记录模型的调整策略, 如学习率衰减、梯度裁剪等)</span>
            </li>
            <li><strong>训练过程</strong>
                <ul>
                    <li><strong>训练日志</strong>
                        <span style="font-size: smaller; color: gray;">(记录训练过程中的日志信息, 如损失函数变化、准确率曲线等)</span>
                    </li>
                    <li><strong>异常处理</strong>
                        <span style="font-size: smaller; color: gray;">(记录训练过程中遇到的异常问题及其解决方案)</span>
                    </li>
                </ul>
            </li>
        </ol>
    </li>
</ol>

<h4>Step 4. 结果与评估</h4>
<ol>
    <li><strong>结果复现</strong>
        <ul>
            <li><strong>结果对比</strong>
                <span style="font-size: smaller; color: gray;">(记录复现结果与论文中报告的结果的差异, 如准确率、损失等指标)</span>
            </li>
            <li><strong>结果分析</strong>
                <span style="font-size: smaller; color: gray;">(分析复现结果的原因和改进方向, 如过拟合、欠拟合、数据不匹配等)</span>
            </li>
        </ul>
    </li>
    <li><strong>可视化</strong>
        <ul>
            <li><strong>训练曲线</strong>
                <span style="font-size: smaller; color: gray;">(绘制并分析模型训练过程中的损失函数、准确率等指标随训练轮数的变化曲线)</span>
            </li>
            <li><strong>结果展示</strong>
                <span style="font-size: smaller; color: gray;">(展示模型的预测结果, 如分类结果、分割图像、生成图片等)</span>
            </li>
        </ul>
    </li>
    <li><strong>模型部署</strong>
        <ul>
            <li><strong>模型部署</strong>
                <span style="font-size: smaller; color: gray;">(记录模型的部署方式, 如模型转换、服务化等)</span>
            </li>
            <li><strong>模型部署测试</strong>
                <span style="font-size: smaller; color: gray;">(测试模型的部署效果, 如响应时间、内存占用等)</span>
            </li>
        </ul>
    </li>
    <li><strong>模型改进</strong>
        <ul>
            <li><strong>模型改进</strong>
                <span style="font-size: smaller; color: gray;">(记录模型的改进方向, 如模型结构、超参数、数据集等)</span>
            </li>
            <li><strong>模型改进实验</strong>
                <span style="font-size: smaller; color: gray;">(尝试改进模型, 如尝试不同模型结构、数据集、超参数等)</span>
            </li>
            <li><strong>模型改进结果</strong>
                <span style="font-size: smaller; color: gray;">(记录模型改进的效果, 如准确率提升、模型大小减小等)</span>
            </li>
        </ul>
    </li>
</ol>

<h4>Step 5. 总结与反思</h4>
<ol>
    <li><strong>复现总结</strong>
        <ul>
            <li><strong>成功点</strong>
                <span style="font-size: smaller; color: gray;">(总结复现过程中成功的部分和经验)</span>
            </li>
            <li><strong>挑战与困难</strong>
                <span style="font-size: smaller; color: gray;">(记录复现过程中遇到的主要挑战和困难)</span>
            </li>
        </ul>
    </li>
    <li><strong>未来改进</strong>
        <ul>
            <li><strong>可能的改进</strong>
                <span style="font-size: smaller; color: gray;">(记录未来可能的改进方向, 如优化模型、改进数据处理等)</span>
            </li>
            <li><strong>学习收获</strong>
                <span style="font-size: smaller; color: gray;">(记录从复现过程中学到的新知识和技能)</span>
            </li>
        </ul>
    </li>
</ol>

<h4>Step 6. 共享与文档化</h4>
<ul>
    <li><strong>代码共享</strong>
        <span style="font-size: smaller; color: gray;">(如GitHub链接)</span>
    </li>
    <li><strong>文档化</strong>
        <span style="font-size: smaller; color: gray;">(记录是否编写了复现文档或教程, 方便他人复现)</span>
    </li>
</ul>

Anything else

• 模板开头表格为copy, 但翻不到作者的仓库了, 有遇到请联系我, 感谢🙏

[WingLee6]

模板结构如下:

〇. 写在前面

0.0 看文进度

0.1 文章四问

• Q1: 为什么看?
  • （推荐? 关联? 解决问题?）
• Q2: 文章写的什么?
  • （创新点? 工具? 实现路径?）
• Q3: 效果如何?
  • （效果图? 结果? 评价?）
• Q4: 感受怎样?
  • （感受? 收获? 思考? 复看?）

0.2 场外信息

0.2.1 源码

• 作者源码地址: 仓库链接
• 作者源码描述: -

0.2.2 数据集

• 数据集名称: -
  • 数据集描述: -
  • 作者数据集下载地址: -

0.2.3 其他参考信息

• 相关论文: -
• 相关项目: -
• 相关资源: -

一. 文献精读

1.1 创新点/新工具

记录文章的创新点或新工具, 如新方法、新模型、新数据集等

1.2 实现路径/框架

记录文章的实现路径或框架, 如基于深度学习的图像分类、基于图神经网络的推荐系统等

1.3 效果图/结果

记录文章的效果图或结果, 如模型效果图、实验结果、实验数据等

1.4 感受/收获/思考

记录文章的感受、收获或思考, 如文章的启发、感触、思考等

二. 复现信息 (下文环境信息为示例, 更新后删除本条)

2.0 作者提供复现环境

• 作者源码地址: 仓库链接
• 软件环境
• 硬件环境
• 数据集

2.1 复现方法1

Step 1. 环境配置

硬件环境

硬件类型	规格/型号	备注
GPU	NVIDIA RTX 3090	CUDA 11.2
CPU	Intel i9-11900K	8 核心 16 线程
内存	32GB DDR4	频率3200MHz
存储	1TB SSD	NVMe 接口

软件环境

软件/工具	版本	安装方式	备注
操作系统	Ubuntu 20.04	-	-
Python	3.8	Anaconda	虚拟环境env_name
TensorFlow	2.8	pip	支持GPU
PyTorch	1.10	pip	支持CUDA
CUDA	11.2	-	与GPU兼容
-	-	-	-

环境验证

验证步骤	结果	备注
Python 环境	成功	python --version验证
CUDA 检测	成功	torch.cuda.is_available()返回True
TensorFlow 测试	成功	导入tensorflow无报错
- 测试	成功/失败	导入-无报错

Step 2. 数据集准备

数据集获取

数据集名称	下载链接	大小	格式	保存路径	备注
CIFAR-10	CIFAR-10链接	163MB	PNG	/dataset/CIFAR-10	点云数据
-	链接	-	-	-	-

数据预处理

预处理步骤	方法	备注
数据清洗	删除异常值	检测并去除数据中的NaN值
数据增强	随机裁剪、翻转	提高模型泛化能力
数据划分	训练集: 80% 验证集: 10% 测试集: 10%	-

Step 3. 模型实现

模型架构
记录模型的具体架构, 包括各层的类型、参数和连接方式, 如ResNet-50, VGG-16, DenseNet等

实现细节
记录模型的实现细节, 如损失函数、优化器、数据加载方式等

代码实现
记录模型的具体实现代码, 如模型结构、数据加载、训练、测试或解释其实现方式与论文描述的对比等

模型训练

• 超参数设置
  记录模型的超参数设置, 如学习率、批量大小、训练轮数、优化器、损失函数等
• 调整策略
  记录模型的调整策略, 如学习率衰减、梯度裁剪等
• 训练过程
  • 训练日志
    记录训练过程中的日志信息, 如损失函数变化、准确率曲线等
  • 异常处理
    记录训练过程中遇到的异常问题及其解决方案

Step 4. 结果与评估

结果复现

• 结果对比
  记录复现结果与论文中报告的结果的差异, 如准确率、损失等指标
• 结果分析
  分析复现结果的原因和改进方向, 如过拟合、欠拟合、数据不匹配等

可视化

• 训练曲线
  绘制并分析模型训练过程中的损失函数、准确率等指标随训练轮数的变化曲线
• 结果展示
  展示模型的预测结果, 如分类结果、分割图像、生成图片等

模型部署

• 模型部署
  记录模型的部署方式, 如模型转换、服务化等
• 模型部署测试
  测试模型的部署效果, 如响应时间、内存占用等

模型改进

• 模型改进
  记录模型的改进方向, 如模型结构、超参数、数据集等
• 模型改进实验
  尝试改进模型, 如尝试不同模型结构、数据集、超参数等
• 模型改进结果
  记录模型改进的效果, 如准确率提升、模型大小减小等

Step 5. 总结与反思

复现总结

• 成功点
  总结复现过程中成功的部分和经验
• 挑战与困难
  记录复现过程中遇到的主要挑战和困难

未来改进

• 可能的改进
  记录未来可能的改进方向, 如优化模型、改进数据处理等
• 学习收获
  记录从复现过程中学到的新知识和技能

Step 6. 共享与文档化

• 代码共享
  如GitHub链接
• 文档化
  记录是否编写了复现文档或教程, 方便他人复现

[Lelouch-ui]

作者你好，我在导入模板的时候报错：SyntaxError: missing : after property id
请问该如何解决呢

[Qween0fPandora]

我也遇到了一样的问题😭

[windingwind]

楼主没有按照推荐的操作提供模板分享码，所以没法直接一键导入。需要自己新建模板再复制粘贴过去

[WingLee6]

翻译插件已经安装了吗? 在 2024-08-24 23:14:20，"Lelouch-ui" ***@***.***> 写道： 作者你好，我在导入模板的时候报错：SyntaxError: missing : after property id 请问该如何解决呢 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***>

[Lelouch-ui]

作者你好，pdf translate翻译插件已经安装了，版本是1.0.27，betternotes的版本是1.0.4，我用的是zotero6

…

---原始邮件--- 发件人: "Wing ***@***.***> 发送时间: 2024年8月24日(周六) 晚上11:23 收件人: ***@***.***>; 抄送: ***@***.******@***.***>; 主题: Re: [windingwind/zotero-better-notes] [Item/Text] 适合计算机的笔记模板 (Discussion #1097) 翻译插件已经安装了吗? 在 2024-08-24 23:14:20，"Lelouch-ui" ***@***.***> 写道： 作者你好，我在导入模板的时候报错：SyntaxError: missing : after property id 请问该如何解决呢 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you authored the thread.Message ID: ***@***.***> — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: ***@***.***>

[WingLee6]

那你需要改一下<h1><strong>〇. 写在前面</strong></h1>前面的内容, 那是另一个作者的, 应该是zotero7版本模板, 你找一下哪个作者的代码. 我记得他的模板有zotero6版.

[Lelouch-ui]

好的！谢谢大佬，非常感谢！

[DeepClusteringLover]

大佬好，复制代码还是显示invaild

[Dale1314]

@WingLee6 如图，zotero7，为什么一粘贴代码就出错呢，从斜杠就开始错

[Wangyf1998]

请问你解决了吗？

[xiaoqihu111]

大佬你好，请问为什么新建条目笔记事报错“Template 计算机文献笔记 Error: ReferenceError: topItem is not defined”呢，麻烦解答一下。另外我的zotero7粘贴完你的代码后也是全篇红色

[ljqcore]

试试将Template Type改为“Item”。中文就是将模板类型改为“条目”。

[xiaoqihu111]

好的，谢谢你的解答！

…

---原始邮件--- 发件人: ***@***.***> 发送时间: 2024年10月7日(周一) 下午3:33 收件人: ***@***.***>; 抄送: ***@***.******@***.***>; 主题: Re: [windingwind/zotero-better-notes] [Item/Text] 适合计算机的笔记模板 (Discussion #1097) 楼主没有按照推荐的操作提供模板分享码，所以没法直接一键导入。需要自己新建模板再复制粘贴过去 — Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you commented.Message ID: ***@***.***>