【學(xué)術(shù)】分享幾種論文寫作神器，提高你的寫作效率

本文介紹以下幾種工具：

• 論文管理神器Zotero
  

• OCR神器（公式識別等）

• Latex工具
  

• 語法校對工具

• 論文繪圖工具

論文管理神器Zotero

一、Zotero簡介

Zotero作為一款協(xié)助科研工作者收集、管理以及引用研究資源的免費軟件，如今已被廣泛使用。此篇使用說明主要分享引用研究資源功能，其中研究資源可以包括期刊、書籍等各類文獻和網(wǎng)頁、圖片等。歡迎所有共同學(xué)習(xí)使用的朋友提供批評意見或補充使用經(jīng)驗。

下載地址：https://www.zotero.org/download/

ubuntu下安裝zotero：

sudo 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、新建分類

步驟：我的文庫→右鍵→新建分類→輸入名稱→鼠標右鍵我的文庫→出現(xiàn)新建文件夾

三、英文文獻信息導(dǎo)入

步驟（非常簡單）：

在新建目錄下→鼠標拖入英文文獻→右鍵重新抓取PDF文件的元數(shù)據(jù)→獲取文獻基本信息

備注：一些時間久遠的英文論文也不能直接抓取數(shù)據(jù)，具體信息抓取方法參照第四部分中文文獻的信息導(dǎo)入。

四、中文文獻信息導(dǎo)入

步驟（稍復(fù)雜）：

1. 在Text目錄下→鼠標拖入中文文獻

2. 在百度學(xué)術(shù)搜索文獻→點擊批量引用→導(dǎo)出到BibTex→下載

3. 用記事本打開下載好的.bib文件→復(fù)制全部內(nèi)容

4. Zotero界面文件一欄→選擇從剪貼板導(dǎo)入

5. 將PDF文件鼠標拖至剛導(dǎo)入文件成為其子文件→完成中文文獻的信息抓取

五、插入文獻

步驟：

1. Word中點擊菜單欄中的“Zotero”工具欄→選擇要引用的方式（默認選項沒有的引用方式參見第六部分）

2. 鼠標光標置于要插入上角標處（即下圖2處）→點擊下圖1處所示圖標→2處出現(xiàn)紅框內(nèi)文字，3處出現(xiàn)Zotero快速格式化引文→點擊快速格式化引文左邊圖標選擇經(jīng)典視圖

3. 出現(xiàn)“添加/編輯引文”對話框→選擇要引入的文獻，點擊OK

4. 下圖1處出現(xiàn)上角標→光標置于參考文獻3處→點擊2處→3處引入?yún)⒖嘉墨I成功

5. 其他文獻可依次插入。Zotero有個特別強大的功能，如果中間一部分引文被刪除，點擊工具欄的Refresh，上角標以及參考文獻會自動更新。

六、尋找非默認引文格式

步驟：

點擊左上角Add/Edit
Citation工具→選擇右下角管理樣式→在 Zotero Style Repository對話框?qū)ふ蚁胍囊母袷?/strong>

七、使用堅果云同步文獻

zotero只給了300m的空間，大概只能放80來篇文獻的全文文件，如果文獻較多就不能同步全文。注意：使用同步功能要先注冊zotero賬號。解決方法：使用堅果云：

堅果云官網(wǎng):https://www.jianguoyun.com/

注意關(guān)閉手機驗證，設(shè)置如圖：

八、使用插件

Zotero還有不少插件，比較有名的是zotfile，Zotero DOl Manager，它們可以自動下載pdf，或者獲取論文的DOI。

具體使用方法可以網(wǎng)上搜索獲取。

OCR神器（公式識別等）

我發(fā)現(xiàn)了一個神奇的OCR工具：天若OCR，功能真的很好很強大。

免費版本可以識別圖片文本，收費版本也不貴，59元一次性買個專業(yè)版，可以定義接口。

軟件具有文本識別、翻譯等功能，這些通用功能我就不展開說明了，我著重推薦兩個功能：公式識別和表格識別。

公式識別

我之前推薦過公式的識別神器mathpix,真的很好用，但是免費的只有每個月50次，不夠。

天若OCR可以設(shè)置mathpix的接口，mathpix接口一個月免費1000次識別，應(yīng)該夠了，注冊的時候要綁定信用卡（注冊過程要科學(xué)上網(wǎng)），識別效果：

原圖片公式

識別后的公式，可以導(dǎo)出tex或者保存為word文件

表格識別

一般的OCR軟件識別文字都問題不大，但是表格識別卻是個問題，解決這個問題，這里推薦下騰訊優(yōu)圖的接口，目前每天200次識別免費。在天若OCR里配置好表格識別的接口為騰訊優(yōu)圖后，識別效果如下：

原始表格圖片

識別表格效果

識別后的表格，可以直接導(dǎo)入到word：

導(dǎo)入word效果

天若還可以對三線表添加網(wǎng)格后進行識別，非常方便。

在線的latex編輯和編譯工具：overleaf

論文最終展現(xiàn)出來的就是一個PDF格式的文檔。

當然可以使用word，但光排版這件事情，就能耗費你一半的精力。

正確的答案是，使用latex，它是一個專業(yè)的排版工具，按照latex的語法進行寫作，執(zhí)行編譯就能夠得到PDF文件。它的語法包含了如何排版，雖然相比word上手要慢，但在排版這件事情上，入門級別的latex語法，你要達到精通word的水平。

latex如何使用呢？當然，要安裝編譯器，再安裝編輯器，本地一通配置，偶爾會遇到些問題，憑著強大的谷歌搜索，倒也不是什么難事。配置本地環(huán)境，不如直接使用在線編輯器。

www.overleaf.com

• 注冊即用，免去本地latex環(huán)境安裝的痛苦。
• 多人合作，共同編輯。
• 富文本編輯模式，比寫latex源碼舒服些。
• 隨時可以完成在線編譯，查看PDF。

按照overleaf的開始流程，有選擇模板的過程，模板怎么選，還是要看投稿的期刊或者會議的要求。以KDD為例，在它的KDD 2019 Call for Research Papers頁面上，給出了模板格式，看看能不能在overleaf上找到，即使沒有，一會提供下載，自己上傳到overleaf。

走過這一步，已經(jīng)可以編譯出模板PDF了，可以照貓畫虎地寫起來了。

grammarly：語法糾錯神器

https://app.grammarly.com/

在這編輯文章的一句或一段話，語法出錯了會有提示，低級的語法錯誤都能夠避免。語法糾錯

除了語法糾錯之外，還有同意替換功能，我的塑料英語能想到的詞匯都太過常見，不夠精準（逼格不足），選中詞就可以同義替換了。

同意替換

建議在word軟件中安裝grammarly插件，直接可用在word中進行語法校對和糾正。

論文繪圖工具

本人在寫機器學(xué)習(xí)相關(guān)論文的時候，很多圖片是用matplotlib和seaborn畫的，但是，我還有一個神器，Scikit-plot，通過這個神器，畫出了更加高大上的機器學(xué)習(xí)圖，本文對Scikit-plot做下簡單介紹。

pip install scikit-plot

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
X, 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 here
import matplotlib.pyplot as plt
import scikitplot as skplt
skplt.metrics.plot_roc(y_test, predicted_probas)
plt.show()

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

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

往期精彩回顧




適合初學(xué)者入門人工智能的路線及資料下載
機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印
機器學(xué)習(xí)在線手冊
深度學(xué)習(xí)筆記專輯
《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯
AI基礎(chǔ)下載
機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯
溫州大學(xué)《機器學(xué)習(xí)課程》視頻
本站qq群851320808，加入微信群請掃碼：