【CS231n】斯坦福大学李飞飞视觉识别课程笔记

CS231n

CS231n

CS231n

CS231n

CS231n

文章目录

CS231n

CS231n

CS231n：CS231n: 斯坦福大学 李飞飞 计算机视觉课程学习笔记

CS231n

经过官方授权发布，《CS231n》课程笔记译文正式上线至知乎专栏——智能单元页面https://zhuanlan.zhihu.com/intelligentunit，其中对课程笔记内容进行了较为全面的翻译工作。我的工作主要涉及对该专栏内容的学习与归纳总结。

课程笔记

CS231n

CS231n

CS231n

CS231n

---

CS231n

---

CS231n

---

CS231n

CS231n

---

CS231n

CS231n

CS231n

CS231n

---

CS231n

CS231n

CS231n

CS231n

---

CS231n

CS231n

CS231n

---

CS231n

CS231n

CS231n

---

CS231n

CS231n

学习安排

每周具体时间划分为4个部分：

• 第一项工作将在本周一至本周二进行。
  • 第二项工作将在本周四至周五进行。
  • 第三项任务将在周末完成。
  • 第四项作业可以在任何有空的时间自行完成，并且进度可比学习计划慢一些。
  • 周三与周六休息。

Week 1

1. 了解计算机视觉综述，历史背景和课程大纲

• slides: lecture01
• 观看视频 p1, p2 和 p3

2. 学习数据驱动的方法, 理解 KNN 算法，初步学习线性分类器

CS231n

CS231n

CS231n

3. 掌握本门课 python 编程的基本功

学习Python语言以及numpy库的教学内容，并深入研究其源代码。

4. 作业

编写一个支持矩阵乘法运算的Python类（class），仅允许在类中使用class关键字和list数据结构

提交作业1中关于k近邻算法的Jupyter notebook文件

---

Week2

1. 深入理解线性分类器的原理

CS231n

CS231n

CS231n

2. 学习损失函数以及梯度下降的相关知识

CS231n

CS231n

CS231n

3. 掌握矩阵求导的基本方法

参考上述资料链接https://zhuanlan.zhihu.com/p/25063314，深入理解矩阵求导的基本技巧；具体涉及多少内容则由个人的学习深度和目标决定。

4. 作业

• 概述KNN和线性分类器的优缺点，并完成打卡上传至知识圈。
  • 完成 assignment1 中的 svm.ipynb 文件。

---

Week3

1. 学习掌握深度学习的基石: 反向传播算法

CS231n

2. 理解神经网络的结构和原理

• slides: lecture04
• 观看视频 p10

3. 深入理解反向传播算法

深入理解反向传播算法的详细解释和实际应用案例，并结合实例说明其工作原理和计算过程

4. 作业

• 在作业1中制作 softmax.ipynb 文件
  • 在作业1中制作 two_layer_net.ipynb 文件

---

Week4

1. 掌握 PyTorch 中的基本操作

[Pytorch

[Pytorch

2. 了解 kaggle 比赛的流程，并完成第一次的成绩提交

熟悉Kaggle平台上的房价预测竞赛

• 学习官方参考代码仓库模板代码

掌握深度学习知识的平台项目框架

作业

• 编写 assignment1 中的 features.ipynb 文件
• 优化房价预测模型，并将其代码上传至 Kaggle 竞赛平台以获取评估结果

---

Week5

1. 理解 CNN 中的卷积

• slides: lecture05
• 观看视频 p11, p12

2. 理解 CNN 中的 pooling

CS231n

CS231n

3. 完成 CNN 的第一个应用练习，人脸关键点检测

• 研究面部关键点 小项目

  • 参考代码仓库：参考代码
  4. 作业

• 反思卷积神经网络相较于传统神经网络的优势体现在何处？其在图像处理方面具有显著优势的原因是什么？

• 请完成作业二中的代码文件 FullyConnectedNets.ipynb$... 的编写与调试工作。

---

Week6

1. 理解激活函数，权重初始化，batchnorm 对网络训练的影响

CS231n

2. 深入理解 BatchNormalization

CS231n

CS231n

3. 总结回顾和理解深度学习中 normalize 的技巧

深度学习

深度学习

深度学习

4. 作业

• 提交作业二中的批归一化文件
• 提交作业二中的 Dropout 文件

---

Week7

深入掌握先进的优化方法及其复杂的regularization和transfer learning技术对网络训练的作用

CS231n

CS231n

CS231n

CS231n

CS231n

2. 了解第二次的 kaggle 比赛 cifar10 分类

• 参与CIFAR-10的比赛 链接

  • 深入研究GitHub仓库中的模板代码
  3. 全面的理解深度学习中的优化算法
  • 阅读优化算法的笔记
  4. 作业

• 提交作业2中的Jupyter Notebook文件 ConvolutionNetworks。

  • 优化CIFAR-10数据集的网络架构，并在学习社区中分享Kaggle比赛的成果。

---

Week8

1. 了解主流深度学习框架之间的区别与联系

• slides: lecture08
• 观看视频 p19

2. 了解经典的网络结构

• slides: lecture09
• 观看视频 p20

3. 理解卷积神经网络的最新进展

学习笔记变型卷able、分可分离卷积？卷积神经网络中十大拍案叫绝的操作

4. 作业

• 完成作业2中的PyTorch.ipynb
  • 参考该开源代码库
    • 学习kernel4d/PlantSeedlingClassification
    • 并探索更具规模的网络架构以提升分类精度
  • 在Kaggle社区中分享并提交比赛成绩

---

Week9

1. 掌握 RNN 和 LSTM 的基本知识

• slides: lecture10
• 观看视频 p21

2. 了解语言模型和 image caption 的基本方法

• slides: lecture10
• 观看视频 p22 和 p23

3. 更深入的理解循环神经网络的内部原理

阅读博客Understanding LSTM Networks及其中文解读

4. 作业

• 在作业3中完成了《RNN Captioning》代码文件
• 在作业3中完成了《LSTM Captioning》代码文件
• 完成了coco数据集上的《图像描述小项目》，并参考了GitHub仓库中的相关代码

---

Week10

1. 学习计算机视觉中的语义分割问题

• slides: lecture11
• 观看视频 p24

2. 学习计算机视觉中的目标检测问题

• slides: lecture11
• 观看视频 p25 和 p26

3. 了解目标检测中的常见算法

该文旨在记录笔记关于目标检测的学习过程

4. 作业

• 了解论文Fully Convolutional Networks for Semantic Segmentation及相关中文笔记Chinese Notes
• 学习FCN的复现代码Fully Convolutional Networks for Semantic Segmentation

---

Week11

1. 理解卷积背后的原理

• slides: lecture13
• 观看视频 p27

2. 学习 deep dream 和 风格迁移等有趣应用

• slides: lecture13
• 观看视频 p28

3. 了解无监督学习和生成模型

• slides: lecture12
• 观看视频 p29

4. 作业

• 完成 assignment3 中的《Network Visualization with PyTorch》 Notebook
  • 阅读论文《SSD: Single Shot MultiBox Detector》及其配套详细讲解材料
  • (可选) 深入理解 SSD 的复现代码仓库 https://github.com/L1aoXingyu/ssd.pytorch

---

Week12

1. 掌握自动编码器和生成对抗网络的基本原理

• slides: lecture12
• 观看视频 p30 和 p31

2. 了解强化学习的基本概念

• slides: lecture14
• 观看视频 p32

3. 学习强化学习中的 q learning 和 actor-critic 算法

• slides: lecture14
• 观看视频 p33

4. 作业

• 在作业3中提交了GANs-PyTorch.ipynb文件
  • 在作业3中提交了StyleTransfer-PyTorch.ipynb文件