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Zotero
- OCR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。
下载地址：https://www.zotero.org/download/
ubuntu下安装zotero：
代码语言：javascript复制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
2. 在百度学术搜索文献→点击批量引用→导出到BibTex→下载
3. 用记事本打开下载好的.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：
1. Word中点击菜单栏中的“Zotero”工具栏→选择要引用的方式（默认选项没有的引用方式参见第六部分）
2. 鼠标光标置于要插入上角标处（即下图2处）→点击下图1处所示图标→2处出现红框内文字，3处出现Zotero快速格式化引文→点击快速格式化引文左边图标选择经典视图
3. 出现“添加/编辑引文”对话框→选择要引入的文献，点击OK
4. 下图1处出现上角标→光标置于参考文献3处→点击2处→3处引入参考文献成功
5. 其他文献可依次插入。Zotero有个特别强大的功能，如果中间一部分引文被删除，点击工具栏的Refresh，上角标以及参考文献会自动更新。
六、寻找非默认引文格式
步骤：
点击左上角Add/Edit Citation工具→选择右下角管理样式→在 Zotero Style Repository对话框寻找想要的引文格式
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:https://www.jianguoyun.com/
注意关闭手机验证，设置如图：
八、使用插件
Zotero还有不少插件，比较有名的是zotfile，Zotero DOl Manager，它们可以自动下载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，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。
www.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，一会提供下载，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
https://app.grammarly.com/
在这编辑文章的一句或一段话，语法出错了会有提示，低级的语法错误都能够避免。
语法纠错
除了语法纠错之外，还有同意替换功能，我的塑料英语能想到的词汇都太过常见，不够精准（逼格不足），选中词就可以同义替换了。
同意替换
建议在word软件中安装grammarly插件，直接可用在word中进行语法校对和纠正。
论文绘图工具
本人在写机器学习相关论文的时候，很多图片是用matplotlib和seaborn画的，但是，我还有一个神器，Scikit-plot，通过这个神器，画出了更加高大上的机器学习图，本文对Scikit-plot做下简单介绍。
安装说明
安装Scikit-plot非常简单，直接用命令：
代码语言：javascript复制pip install scikit-plot即可完成安装。
仓库地址：
https://github.com/reiinakano/scikit-plot
里面有使用说明和样例（py和ipynb格式）。
使用说明
简单举几个例子：
- 比如画出分类评级指标的ROC曲线的完整代码：
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()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 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()
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 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()
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://www.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。
