工具之外，先理解任务
一个公开代码库可以降低动手的门槛，却不能替代对研究任务的理解。数据来自哪里？算法要解决什么问题？什么样的证据才足以支持结论？下面三个资源提供了不同领域的实践入口。
fastMRI：从采样到重建
fastMRI 是 NYU Langone Health 与 Facebook AI Research 发起的开放研究项目，聚焦加速磁共振成像。其 公开代码库 提供与数据处理和重建相关的工具。
在尝试模型前，先阅读数据使用协议，理解 k 空间与欠采样设定，并严格区分训练、验证和测试数据。重建指标的改善，不直接等同于临床诊断能力的提升。
Lean：让论证可以被检查
Lean 既是函数式编程语言，也是交互式定理证明器。Mathematics in Lean 提供形式化数学的实践教程。
从一个小命题开始，比直接移植复杂推导更有效。记录 Lean 与 mathlib 的版本，保留完整证明文件，使“证明通过”能够在他人的环境中被重新检查。
Gymnasium：把交互过程标准化
Gymnasium 由 Farama Foundation 维护，为强化学习环境提供标准接口。初次使用时，重点理解 reset 与 step 的返回值，以及回合终止与截断的区别。
实验中应固定并记录环境版本、随机种子与训练预算。多次运行的分布通常比某一次最好成绩更有解释力。可结合 OpenAI Spinning Up 理解基础算法。
共同的实践习惯
- 先运行最小基线，再增加复杂度。
- 固定依赖版本，记录配置与数据来源。
- 同时报告成功、失败与适用边界。
- 遵守数据、代码和模型各自的许可条件。
这些资源属于各自的维护机构与贡献者。本站仅作学习导览，不提供学位、课程认证或研究资助。更多入口见 开放学术。