发布时间：
A. 数据增广 B. 提前停止训练 C. 添加Dropout 答案：ABCA. SGD（stochatic gradient descent） B. BGD（batch gradient descent） C. Adadetla D. Momentum 答案：C 【解析】1）SGD受到学习率α影响 2）BGD受到batch规模m影响 3）Adagrad的一大优势时可以避免手动调节学习率，比如设置初始的缺省学习率为0.01，然后就不管它，另其在学习的过程中自己变化。 为了避免削弱单调猛烈下降的减少学习率，Adadelta产生了1。Adadelta限制把历史梯度累积窗口限制到固定的尺寸w，而不是累加所有的梯度平方和 4）Momentum：也受到学习率α的影响 A.惩罚了模型的复杂度，避免模型过度学习训练集，提高泛化能力 B.剃刀原理：如果两个理论都能解释一件事情，那么较为简单的理论往往是正确的 C.正则项降低了每一次系数w更新的步伐，使参数更小，模型更简单 D.贝叶斯学派的观点，认为加入了先验分布（l1拉普拉斯分布，l2高斯分布），减少参数的选择空间 答案：ABCD 【解析】A/C选项没有问题，只不过C中的"步伐"理解起来并不清晰。B/D选项是有点追本溯源的意思，剃刀原理其实是奥卡姆剃刀原理：更小的权值w，从某种意义上说，表示网络的复杂度更低，对数据的拟合刚刚好；从贝叶斯角度理解，为参数ω引入拉普拉斯先验分布的最大似然，相当于给均方误差函数加上L1正则项；为参数ω引入高斯先验分布的最大似然，相当于给均方误差函数加上L2正则项。 a.计算预测值和真实值之间的误差 b.重复迭代，直至得到网络权重的最佳值 c.把输入传入网络，得到输出值 d.用随机值初始化权重和偏差 e.对每一个产生误差的神经元，调整相应的（权重）值以减小误差 答案：dcaeb A.惩罚了模型的复杂度，避免模型过度学习训练集，提高泛化能力 B.剃刀原理：如果两个理论都能解释一件事情，那么较为简单的理论往往是正确的 C.正则项降低了每一次系数w更新的步伐，使参数更小，模型更简单 D.贝叶斯学派的观点，认为加入了先验分布（l1拉普拉斯分布，l2高斯分布），减少参数的选择空间 答案：ABCD 【解析】A/C选项没有问题，只不过C中的"步伐"理解起来并不清晰。B/D选项是有点追本溯源的意思，剃刀原理其实是奥卡姆剃刀原理：更小的权值w，从某种意义上说，表示网络的复杂度更低，对数据的拟合刚刚好；从贝叶斯角度理解，为参数ω引入拉普拉斯先验分布的最大似然，相当于给均方误差函数加上L1正则项；为参数ω引入高斯先验分布的最大似然，相当于给均方误差函数加上L2正则项。 参考： [正则化为什么能防止过拟合（重点地方标红了）](https://www.cnblogs.com/alexanderkun/p/6922428.html) [【机器学习】从贝叶斯角度理解正则化缓解过拟合](https://blog.csdn.net/u014433413/article/details/78408983) A. 220x220x5 B. 218x218x5 C. 217x217x8 D. 217x217x3 答案：B 【解析】卷积计算公式：Hout=（Himg+2Padding−Kfilterh）/S + 1；Wout=（Wimg+2Padding−Kfilterw）/S + 1。其中Padding是边界填空值，Kfilterw表示卷积核的宽度，S表示步长。 A.少于2秒 B.大于2秒 C.仍是2秒 D.说不准 答案：C 【解析】在架构中添加Dropout这一改动仅会影响训练过程，而并不影响测试过程。 A.准确率适合于衡量不平衡类别问题 B.精确率和召回率适合于衡量不平衡类别问题 C.精确率和召回率不适合于衡量不平衡类别问题 D.上述选项都不对 答案：B A. Boosting B. Bagging C. Stacking D. Mapping 答案：B 【解析】dropout的思想继承自bagging方法。 bagging是一种集成方法（ensemble methods）,可以通过集成来减小泛化误差（generalization error）。bagging的最基本的思想是通过分别训练几个不同分类器，最后对测试的样本，每个分类器对其进行投票。在机器学习上这种策略叫model averaging。 我们可以把dropout类比成将许多大的神经网络进行集成的一种bagging方法。 1. 随机初始化感知机权重 2. 去到数据集的下一批（batch） 3. 如果预测值和输出不一致，则调整权重 4. 对一个输入样本，计算输出值 A. 1,2,3,4 B. 4,3,2,1 C. 3,1,2,4 D. 1,4,3,2 答案：D 11.【单选题】下列哪项关于模型能力（model capacity）的描述是正确的？（指神经网络模型能拟合复杂函数的能力） A.隐藏层层数增加，模型能力增加 B. Dropout的比例增加，模型能力增加 C.学习率增加，模型能力增加 D.都不正确 答案：A A. Logistic回归可用于预测事件发生概率的大小 B. Logistic回归的目标函数是最小化后验概率 C. SVM的目标的结构风险最小化 D. SVM可以加入正则化项，有效避免模型过拟合 答案：B 【解析】Logistic回归本质上是一种根据样本对权值进行极大似然估计的方法，而后验概率正比于先验概率和似然函数的乘积。Logistic仅仅是最大化似然函数，并没有最大化后验概率，更谈不上最小化后验概率。A正确 Logit回归的输出就是样本属于正类别的几率，可以计算出概率；C正确. SVM的目标是找到使得训练数据尽可能分开且分类间隔最大的超平面，应该属于结构风险最小化. D正确. SVM可以通过正则化系数控制模型的复杂度，避免过拟合。 A增加训练集量 B减少神经网络隐藏层节点数 C删除稀疏的特征 D SVM算法中使用高斯核/RBF核代替线性核 答案：D 【解析】一般情况下，越复杂的系统，过拟合的可能性就越高，一般模型相对简单的话泛化能力会更好一点。 B.一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向， svm高斯核函数比线性核函数模型更复杂，容易过拟合 D.径向基(RBF)核函数/高斯核函数的说明,这个核函数可以将原始空间映射到无穷维空间。对于参数 ，如果选的很大，高次特征上的权重实际上衰减得非常快，实际上（数值上近似一下）相当于一个低维的子空间；反过来，如果选得很小，则可以将任意的数据映射为线性可分——当然，这并不一定是好事，因为随之而来的可能是非常严重的过拟合问题。不过，总的来说，通过调整参数 ，高斯核实际上具有相当高的灵活性，也是 使用最广泛的核函数 之一。 A.感知准则函数 B.贝叶斯分类 C.支持向量机 D.Fisher准则 答案：ACD 【解析】 线性分类器有三大类：感知器准则函数、SVM、Fisher准则，而贝叶斯分类器不是线性分类器。 感知准则函数 ：准则函数以使错分类样本到分界面距离之和最小为原则。其优点是通过错分类样本提供的信息对分类器函数进行修正，这种准则是人工神经元网络多层感知器的基础。 支持向量机 ：基本思想是在两类线性可分条件下，所设计的分类器界面使两类之间的间隔为最大，它的基本出发点是使期望泛化风险尽可能小。（使用核函数可解决非线性问题） Fisher准则 ：更广泛的称呼是线性判别分析（LDA），将所有样本投影到一条远点出发的直线，使得同类样本距离尽可能小，不同类样本距离尽可能大，具体为最大化“广义瑞利商”。 根据两类样本一般类内密集，类间分离的特点，寻找线性分类器最佳的法线向量方向，使两类样本在该方向上的投影满足类内尽可能密集，类间尽可能分开。这种度量通过类内离散矩阵 Sw和类间离散矩阵 Sb实现。 A.卷积神经网络 B.循环神经网络 C.全连接神经网络 D.选项A和B 答案：D A.L2正则项，作用是最大化分类间隔，使得分类器拥有更强的泛化能力 B.Hinge损失函数，作用是最小化经验分类错误 C.分类间隔为1/||w||，||w||代表向量的模 D.当参数C越小时，分类间隔越大，分类错误越多 答案：C A正确。考虑加入正则化项的原因：想象一个完美的数据集，y>1是正类，y<-1是负类，决策面y=0，加入一个y=-30的正类噪声样本，那么决策面将会变“歪”很多，分类间隔变小，泛化能力减小。加入正则项之后，对噪声样本的容错能力增强，前面提到的例子里面，决策面就会没那么“歪”了，使得分类间隔变大，提高了泛化能力。 B正确。 C错误。间隔应该是2/||w||才对，后半句应该没错，向量的模通常指的就是其二范数。 D正确。考虑软间隔的时候，C对优化问题的影响就在于把a的范围从[0，+inf]限制到了[0,C]。C越小，那么a就会越小，目标函数拉格朗日函数导数为0可以求出w=求和ai∗yi∗xi，a变小使得w变小，因此间隔2/||w||变大。 A.Dropout B.分批归一化(Batch Normalization) C.正则化(regularization) D.上述选项都可以 答案：D A.95 B.96 C.97 D.98 答案：C A.(AB)C B.AC(B) C.A(BC) D.上述所有选项效率相同 答案：A 【解析】首先，根据简单的矩阵知识，因为 A*B， A的列数必须和 B的行数相等。因此，可以排除 B选项， 然后，再看 A、 C选项。在 A选项中，m∗n的矩阵 A和n∗p的矩阵 B的乘积，得到 m∗p的矩阵 A\*B，而 A∗B的每个元素需要 n次乘法和 n-1次加法，忽略加法，共需要 m∗n∗p次乘法运算。同样情况分析 A*B之后再乘以 C时的情况，共需要 m∗p∗q次乘法运算。因此， A选项 (AB)C需要的乘法次数是 m∗n∗p+m∗p∗q。同理分析， C选项 A (BC)需要的乘法次数是 n∗p∗q+m∗n∗q。 A.把除了最后一层外所有的层都冻结，重新训练最后一层 B.对新数据重新训练整个模型 C.只对最后几层进行调参(fine tune) D.对每一层模型进行评估，选择其中的少数来用 答案：C 【解析】如果有个预先训练好的神经网络,就相当于网络各参数有个很靠谱的先验代替随机初始化.若新的少量数据来自于先前训练数据(或者先前训练数据量很好地描述了数据分布,而新数据采样自完全相同的分布),则冻结前面所有层而重新训练最后一层即可;但一般情况下,新数据分布跟先前训练集分布有所偏差,所以先验网络不足以完全拟合新数据时,可以冻结大部分前层网络,只对最后几层进行训练调参(这也称之为fine tune)。 增加神经网络层数,可能会增加测试数据集的分类错误率 减少神经网络层数,总是能减小测试数据集的分类错误率 增加神经网络层数,总是能减小训练数据集的分类错误率 A. 1 B. 1和 3 C. 1和 2 D. 2 答案：A 【解析】深度神经网络的成功,已经证明增加神经网络层数,可以增加模型范化能力,也就是，训练数据集和测试数据集都表现得更好。但这篇文献中（）,作者提到更多的层,也不一定能保证有更好的表现.所以不能绝对地说层数多的好坏,只能选A A.分类过程中类别不平衡 B.实例分割过程中，相同类别图像距离过小 C.提取语义信息时，高层语义过少的时候 D.物体定位时，目标面积过小 答案：A 【解析】Focal Loss最初是在[RetinaNet](https://arxiv.org/abs/1708.02002)论文中提出，旨在解决one-stage目标检测中正负样本不均衡的问题，也可扩展到样本的类别不均衡问题上。该损失函数降低了大量简单负样本在训练中所占的权重。 参考自：
backbone ：ResNet50, ResNet101 neck : FPN P3-P5由ResNet得到，P6由P5经过stride=2的3*3卷积得到，P7由P6经过ReLU和stride=2的3*3卷积得到。P3-P7的stride分别为8，16，32，64，128。 层间融合：高分辨率层上采样，低分辨率1*1卷积，两者维度一致，直接相加后再3*3卷积。 head : classification(KA) + regression(4A)，在图(c)和(d)中，不同层的head共享参数(concatenate操作)，但是分类和回归分支之间不共享。 loss : Focal loss + smooth L1 alpha平衡正负样本loss，取0.25；gamma平衡难易样本，取2。 分类loss是所有正负例的focal loss求和，然后除以类别为正例的anchors总数（正负例anchor数量平衡）。 回归loss是所有正例的smooth L1 loss求和，然后除以类别为正例的anchors总数。 在loss计算前去除掉所有超出图片边界的Anchor，这部分Anchor不用于loss计算（和faster rcnn一致）。 bootstrapping: hard example mining：抽样方法，SSD中使用，预先确定的比率（通常前景:背景为1:3）选择loss最大的topK背景框。 Focal loss: 降低大量easy negatives的loss权重，根据置信度动态调整loss，速度更快，效果更好。 2.1 anchor的分布 长宽比: [0.5, 1, 2]，scale: [2**0, 2**(1/3), 2**(2/3)]，组合得到9组anchor aspects/每个feature点 P3-P7基础size为32, 64, 128, 256, 512，乘以aspects，覆盖输入范围32-813 越高层的anchor size约大，越倾向于检测大目标。 2.2 anchor的物理含义 对于长宽为（原图H/8，原图W/8）的特征图，其特征图上的每个单元格cell对应原图区域上（32，32）大小的对应区域（这里对应的大小并不是实际感受野的大小，而是一种人为的近似设置）。 在大小为base_size的正方形框的基础上，对框进行长宽比例调整和缩放形成9种所anchor，以及一个单元格cell的通道维和anchor对应的关系，如下图所示。 2.3 多层FPN如何分配目标 （1）公式选层 （2）IoU选层 将FPN所有层的全部anchor与ground truth计算IoU，将目标分配给得分高于阈值且最高的anchor（低于阈值情况很少，所以去掉低于阈值的最高分也影响不大） （3）loss选层 FSAF中选择loss最小的层预测目标 采用目标-anchor iou双阈值区分正样本，负样本和忽略样本。 backbone采用在ImageNet上预训练的ResNet，新增的卷积层普通初始化（bias=0，sigma=0.01），分类分支最后的卷积层的bias初始化为： 相当于模型初始训练时，每个anchor预测为正例设置一个先验概率值，论文中采用的是0.01，权重参数通常初始化为（0，0.01）高斯分布，意味着分类为正例的概率为0.01，这是合理的。因为真实场景中很多anchor是负例，设置先验值可以大大降低负样本在开始训练时的loss，这样训练更容易，相当于手动warmup。 分类分支输出channel为KA，最后sigmoid激活就可以得到各个anchor预测每个类别的概率，即每个位置相当于KA个二分类，因此某个位置的某个anchor可能会输出几个类别不同但是box一样的预测框。也正是因为采用了sigmoid二分类，才有上面 每个anchor所有类别都初始化为bias=0.01 4.1 保留top1K候选bbox 4.2 用0.05的阈值过滤掉负类 4.3 全部level结果concat，IoU=0.5 NMS过滤重叠框 （1）SSD的多尺度是独立的，RetinaNet的FPN在不同尺度之间进行了层间融合 （2）SSD的采用softmax多分类，RetinaNet以及后续改进的FCOS都是采用K个二分类（Focal loss默认是二分类） （3）为了与配合focal loss，RetinaNet的分类分支最后的卷积层的bias初始化为0.01，可以加快训练和收敛 （4）RetinaNet的不同层head部分共享参数，检测和分类分支之间参数不共享，各层分类/回归结果concat再求loss （1）backbone不同，YOLOV3的backbone是基于DarkNet-53，RetinaNet是ResNet50或101。 （2）FPN层数不同，YOLOV3的FPN只有P3-P5，RetinaNet是P3-P7 （3）loss不同，RetinaNet是focal loss YOLO V3之后的检测模型从数据增强、backbone、neck和head等维度已经趋向统一。
问题一：发表论文时间 发表论文是有一个过程的，从审稿到发表到见刊最快的话也得一个月。好的期刊甚至好几个月大半年。具体的话还是看具体的期刊的，太快的话就要考虑真实性了。 现在发表的话，主流是两个方法:直接和期刊联系，也可以通过机构 去操作 想要通过中间机构投稿的 要注意下 平台的信息可信度 ，最好找那些有 淘宝第三方交易的 比较安全， 像就是这样的了哟哦 问题二：论文发表时间怎么看 引言又称前言，属于整篇论文的引论部分。其写作内容包括：研究的理由、目的、背景、前人的工作和知识空白，理论依据和实验基础，预期的结果及其在相关领域里的地位、作用和意义。 问题三：论文出刊时间是发表时间吗 投稿编辑部一般是3到6个月，有时候审核通过，排版的时间也不确定，核心稿量大，编辑任务重，找有实力的中介渠道 ，会快一些，例如像我这边速度上也是OK的 问题四：论文发表时间是指接受时间还是指出版时间 当然是指出版时间啦。像汉斯出版社一类的OA期刊，即使审核快，从投稿到发表的话，最少也要1个月，这还是加急了的。 问题五：论文出刊时间是指发表时间吗 不是 是指论文刊登发表时间 问题六：论文发表日期是收稿日期还是见刊日期 收稿日期:编辑部收到稿子的时间 发表日期:经修改定稿后杂志的发行时间 问题七：论文发表一般需要多长时间？ 普刊（省级国家级）一般安排周期是1到3个月，比如现在是3月，现在基本都是征收四月的稿件，本科学报的安排周期一般在2到4个月，现在大部分本科学报基本都是安排的六七月的版面。北大核心以上级别期刊的安排周期一般在6到8个月，审稿周期一个月。三月安排的话，基本上要十月十一月的版面了。更高端的一些期刊已经在征收13年版面了，如SCI EI等。 ――――中国期刊库 问题八：发表论文时间 预估大概时间为3-6个月，由于其他原因可能还会延后，国家级或省级普刊一般一周左右，其他级别的期刊审稿的时间一般是一个月为期限。 问题九：论文发表时间和出版时间 15分 表示没听过这两个。提醒一下，核心期刊不可能随便授权给别人的。因为核心期刊并不缺投稿。如果不是学校对期刊等级有要求的话，就不要发核心期刊了，因为发表核心期刊很难，审稿时间也特别长。我当初是在摆渡上输入“壹品优”再输入“刊”这个网站咨询的，你们也可以去交流下。 问题十：发表论文的周期是多少 你首先得写好论文吧，其次找个正规机构帮你代发，现在都这样的，有钱就能发，不过正常发表论文是有一个过程的，从审稿到发表到见刊最快的话也得一个月。好的期刊甚至好几个月大半年。具体的话还是看具体的期刊的，太快的话就要考虑真实性了。欣启论文不错，你可以咨询一下。
肯定算的是9月份发表的。严格意见上来讲，就没有发表时间这一说，都是出版时间，按《出版物管理条例》及其实施细则等，连续出版物是不允许提前出刊的，像这种9月的刊期，8月出版的，都是违法操作的，就是为了评职称提前拿到刊物而操作的。按相关规定，连续出版物一般为当月或次月出版，一般来说，月刊为每月15日出版，旬刊为每月5、15、25日出版，半月刊为每月10日、20日出版。8年专业发表经验，希望我可以帮到您
出版时间跟你发表时间是不一样的，所以要区分开来，我的经验告诉我，早点发表会好些
论文发表时间是指文章见刊时间。
首先如果论文发表纯属作者个人爱好，那么发表时间就是文章见刊时间。但是如果论文发表是用来评职称晋升的，就需要特别注意一下了，职称论文的发表是以论文被检索为标准的，并不单单是见刊，要见刊并且被检索才行，因此要区分不同的论文来看。
评职称论文发表注意事项：
1、要明确发表那种级别的期刊才可以顺利评过职称，省级以上的、或者要国家级的、核心期刊等。最好是询问你们单位管理职称的部门，评定相应级别的职称是需要发那种级别的期刊。
2、明确职称评定时间。这一点非常重要，写作论文，发表论文前，一定要了解明确职称评定时间，早做准备，因为一般论文发表的时间为3个月左右，长的则半年甚至一年，而职称评定时，有的要求必须通过数据库检索到，论文发表出刊后，几个数据库一般2个月后才能收录进去，因此，还有考虑2个月的收录时间。
论文发表一般需要的时间如下： 1、普刊即省级国家级一般安排周期是1到3个月。 2、本科学报的安排周期一般为2到4个月。 3、北大核心以上级别期刊的安排周期一般为6到8个月，审稿周期为一个月。 4、科技核心期刊从投稿到录用发表，一般是3到6个月。
论文发表时间是指文章见刊时间。
首先如果论文发表纯属作者个人爱好，那么发表时间就是文章见刊时间。但是如果论文发表是用来评职称晋升的，就需要特别注意一下了，职称论文的发表是以论文被检索为标准的，并不单单是见刊，要见刊并且被检索才行，因此要区分不同的论文来看。
评职称论文发表注意事项：
1、要明确发表那种级别的期刊才可以顺利评过职称，省级以上的、或者要国家级的、核心期刊等。最好是询问你们单位管理职称的部门，评定相应级别的职称是需要发那种级别的期刊。
2、明确职称评定时间。这一点非常重要，写作论文，发表论文前，一定要了解明确职称评定时间，早做准备，因为一般论文发表的时间为3个月左右，长的则半年甚至一年，而职称评定时，有的要求必须通过数据库检索到，论文发表出刊后，几个数据库一般2个月后才能收录进去，因此，还有考虑2个月的收录时间。
看你上面的刊期，在职称评定中，是以刊期为准的。如果是5月份的刊期，即使是8月份收到的，也是按5月份算的。
普刊（省级国家级）一般安排周期是1到3个月，比如现在是3月，现在基本都是征收四月的稿件，本科学报的安排周期一般在2到4个月，现在大部分本科学报基本都是安排的六七月的版面。北大核心以上级别期刊的安排周期一般在6到8个月，审稿周期一个月。三月安排的话，基本上要十月十一月的版面了。更高端的一些期刊已经在征收13年版面了，如SCI EI等。 ————中国期刊库
关于刊出日期和检索日期怎么查方法如下sci期刊发表时间不一定看得到，哪怕看online时间、见刊时间或检索时间，一般也只能确定具体的年份和月份，甚至只能确定年份。sci期刊发表时间怎么看找sci期刊发表论文，从投稿到检索，所需要的时间，是因具体的期刊或具体的论文不同而有所差异。也就是说发表sci期刊这个过程所需要的时间是呈现动态化的，具有不确定性。想要了解某篇论文是什么时间发表的，先了解论文目前的状态，在了解可以查看到的记录时间。一是论文只是online尚未见刊，可以看看online的时间;online时间就是在线发表的时间，一般可以在sci期刊官网或者其他在线发表渠道上看到。二是论文只是见刊尚未检索，可以看看见刊的时间，这一时间是指期刊印刷出版的时间，可以确定期刊的年份和月份。比如你的论文是在XXXX年XX月sci期刊上发表的，那这个时间就算是sci期刊见刊的时间。三是论文检索了，可以看看检索的时间，一般登录web of science网站可以看到论文检索的年份。时间，是很多单位审核某篇sci论文被不被认可的条件之一。如果时间不在单位规定的范围之内，对作者来说是不起作用的。一般来说，发表的sci论文达到了规定的标准，提供的是检索报告和论文接受时间。
sci见刊和online的区别：
sci论文发表中，online是一个在线发表的环节，其实和国内学术论文被检索含义相同，就是可以通过互联网检索到自己的文章，也就是文章被收录，online和见刊是两个不同的环节，所以还是非常容易区分的
online一般在见刊之前，这一点与国内论文发表不同，国内论文发表一般是先见刊，后检索，sci论文online以后，作者会取得文章的doi号，doi号是科技论文文献的身份信息，全称digital object identifier。
具有唯一性，并且一经产生永久不变，是检索论文的一个重要标识，通过它可以方便、可靠地链接到论文全文。
在国内对sci论文的考核，很多都是以doi号检索为标准的，也就是sci论文只要可以通过doi号检索到，就算是成功发表了，即便文章还没有最终见刊也是没有关系的。
但也有一些考核是需要作者提供发表刊物的卷号、期号以及页码等信息的，如果是这种标准，作者需要耐心等待文章见刊。
从online到见刊需要的时间长短需要看具体的刊物，不少sci期刊发表效率比较高，但也要看文章的质量水平，以上就是对sci见刊和online区别的简介，更多疑问可以咨询职称驿站在线编辑。
论文发表时间是指文章见刊时间。
首先如果论文发表纯属作者个人爱好，那么发表时间就是文章见刊时间。但是如果论文发表是用来评职称晋升的，就需要特别注意一下了，职称论文的发表是以论文被检索为标准的，并不单单是见刊，要见刊并且被检索才行，因此要区分不同的论文来看。
评职称论文发表注意事项：要明确发表那种级别的期刊才可以顺利评过职称，省级以上的、或者要国家级的、核心期刊等。最好是询问你们单位管理职称的部门，评定相应级别的职称是需要发那种级别的期刊。
明确职称评定时间。这一点非常重要，写作论文，发表论文前，一定要了解明确职称评定时间，早做准备，因为一般论文发表的时间为3个月左右，长的则半年甚至一年，而职称评定时，有的要求必须通过数据库检索到，论文发表出刊后，几个数据库一般2个月后才能收录进去，因此，还有考虑2个月的收录时间。
论文发表时间是指出版时间啦。像汉斯出版社一类的OA期刊，即使审核快，从投稿到发表的话，最少也要1个月，这还是加急了的。
这个具体要看你发的是什么样的杂志了，不同杂志的发表周期也不一样。省级、国家级的普刊一般是2-6个月（特别快的1个月左右，一部分可以办理加急版面）。杂志都有出版周期的问题，而且有的版面特别紧张，所以，如果用，要提早半年，不宜临时抱佛脚。每年三月份、九月份，是各地上报职称材料的高峰期。各个正规杂志社稿件大量积压，版面十分紧张，因此，及早准备。早准备、早受益。我当时是在百姓论文网发表的，省级的大概在2个月左右拿到手的，各方面都挺满意的，
论文发表日期为见刊日期。
论文发表时间，主要是指发表一篇论文所需要的时间，由于不同作者的文章具体情况是不同的，发表的刊物是不同，所需的时间也就不同，少则三五个月，多则一两年，都是论文发表所需要的时间。
见刊就是文章投稿给杂志社，杂志社通过审核后在刊物上刊登论文，国内不同级别的期刊需要见刊的时间不同，国内核心期刊论文见刊发表周期大概需要半年至一年，普刊需要三个月左右，期刊的审稿时间越长，发表周期越长。
扩展资料：
论文发表的见刊时间和出版时间
杂志的出刊时间是确定的，在申请杂志的时候也会说明出版时间，但是出版时间和收到杂志的时间是不一样的，理论上来说，不能提前，只能推迟。推迟多长时间具体就看杂志的不同判断。总之发表论文一定要提前半年到一年准备，医学文章更是要提前一年半准备。
例如一本杂志为月刊，可能会选择每月15日为出版时间，但是后期设计到印刷和邮寄，因此到作者手里的杂志会有延期。如果一本杂志为双月刊，那么收到杂志的时间有可能比出版时间晚1个月以上。甚至季刊，一年只出四本书。
论文发表一般需要的时间如下：1、普刊即省级国家级一般安排周期是1到3个月；2、本科学报的安排周期一般为2到4个月；3、北大核心以上级别期刊的安排周期一般为6到8个月，审稿周期为一个月；4、科技核心期刊从投稿到录用发表，一般是3到6个月。
论文从初稿到发看需要三四个月左右。
一般的省级、国家级论文审稿需要1～2天，出刊需要1～3个月。个别快的0.5个月，还有个别慢的需要4～7个月。
质量水平高一些的期刊，还有一些大学学报，投稿的出刊需要6个月左右，快一些的3～4个月。
科技核心期刊审稿需要1～3个月，出刊另需要6～10个月左右，总的算起来大约是1年～1年半。
北核、南核审稿需要3～4个月，出刊另需6～15个月左右，跨度较大总的算起来1年～2年。
综上所述，评职称发表论文一定要对各不同级别论文的发表周期做到心里有数，提前准备，以免时间上赶不及白白错过评审多等一年。尤其是核心论文，一定要提前。