asdlei99 / stanford-cs231n-learning-camp

斯坦福cs231n-深度学习CV经典课程

大鱼AI🐟 ：深度学习之计算机视觉斯坦福大学CS231n课程集训营

视频课程主讲：斯坦福李飞飞团队

先修课程：斯坦福机器学习（吴恩达）

这门课的宗旨就是：从机器学习者成为计算机视觉算法工程师，参加Kaggle比赛证明自己

课程资料

1. 课程主页
2. 英文笔记
3. 中文笔记
4. 课程视频
5. 实验环境推荐使用Linux或者Mac系统，以下环境搭建方法皆适用:
   Docker环境配置
   本地环境配置
6. 作业链接
7. 作业参考
8. 课程课件

重要🔥🔥一些的资源：

1. 深度学习斯坦福教程
2. 廖雪峰python3教程
3. github教程
4. 莫烦机器学习教程
5. 深度学习经典论文
6. 斯坦福cs229代码(机器学习算法python徒手实现)
7. 导师博客(机器学习深度学习专题)
8. AI比赛经验+开源代码汇总

前言

视觉！

知识要求(学习的过程中可以遇到问题后再复习）

• 了解python基础知识
• 了解高等数学、概率论、线性代数知识
• 了解基础机器学习算法：梯度下降、线性回归、逻辑回归、Softmax、SVM、PAC（先修课程斯坦福cs229 或者周志华西瓜书）
• 具有英语4级水平（深度学习学习材料、论文基本都是英文，一定要阅读英文原文，进步和提高的速度会加快！！！！）

知识工具

为了让大家逐渐适应英文阅读，复习材料我们有中英两个版本，但是推荐大家读英文

数学工具

斯坦福资料：

• 线性代数
• 概率论
• 凸函数优化
• 随机梯度下降算法

中文资料：

• 机器学习中的数学基本知识
• 统计学习方法
  大学数学课本（从故纸堆里翻出来^_^）

编程工具

斯坦福资料：

• Python复习
• TensorFlow教程

中文资料：

• 廖雪峰python3教程
• 莫烦TensorFlow教程

学习安排

每周具体时间划分为4个部分:

• 1部分安排周一到周二
• 2部分安排在周四到周五
• 3部分安排在周日
• 4部分作业是本周任何时候空余时间
• 周日晚上提交作业运行截图
• 周三、周六休息^_^

作业提交指南：

训练营的作业自检系统已经正式上线啦！只需将作业发送到训练营公共邮箱即可，训练营以打卡为主，不用提交作业。以下为注意事项:
<0> 课程资料：链接 密码：zwjr
<1> 训练营代码公共邮箱：[email protected]
<2> 每周做作业，作业提交时间点：一整个Assignment代码全部完成后再提交
<3> 将每次作业压缩成zip文件，文件名为“NLP学期+学号+作业编号”，例如第二期学员："NLP020037-01.zip"
<4> 注意不要改变作业中的《方法名》《类名》不然会检测失败！！
<5> 查询自己成绩:
 

教程

week 1

知识点复习
学习组队
比赛观摩

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

• slides: lecture02
• 观看视频 p4 p5 和 p6
• 学习 图像分类笔记上
• 学习 图像分类笔记下
• 学习 线性分类笔记上

3. 掌握本门课 python 编程的基本功

• 阅读 python 和 numpy 教程和代码

4. 作业

• (热身)写一个矩阵的类，实现矩阵乘法，只能使用 python 的类(class)和列表(list)
• 完成assignment1 中的 knn.ipynb
• 作业详解：knn.md

作业 Week1：:
制定自己的学习计划，开通自己的学习博客，注册自己的github

Week2

1. 深入理解线性分类器的原理

• slides: lecture03
• 观看视频 p7
• 学习线性分类笔记中
• 学习线性分类笔记下

2. 学习损失函数以及梯度下降的相关知识

• slides: lecture03
• 观看视频 p8
• 学习最优化笔记

3. 掌握矩阵求导的基本方法

• 根据资料，学习矩阵求导的基本技巧，看多少内容取决于个人需要

4. 作业

• 简述 KNN 和线性分类器的优劣, 打卡上传知知识圈
• 完成assignment1 中 svm.ipynb
• 作业详解：svm.md

Week3

1. 学习掌握深度学习的基石: 反向传播算法

• slides: lecture04
• 观看视频 p9
• 学习反向传播算法的笔记

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

• 阅读反向传播算法的数学补充和例子

4. 作业

• 完成 assignment1 中的 softmax.ipynb
• 完成 assignment1 中的 two_layer_net.ipynb
• 作业详解1：Softmax.md
• 作业详解2：two_layer_net.md

Week4

1. 掌握 PyTorch 中的基本操作

• 学习 pytorch 的入门基础

2. 了解 kaggle 比赛的流程，并完成第一次的成绩提交

• 了解比赛房价预测
• 学习模板代码

3. 学习深度学习的系统项目模板

4. 作业

• 完成 assignment1 中的 features.ipynb
• 修改房价预测的代码，在知识圈上提交 kaggle 的成绩
• 作业详解：features.md

Week5

1. 理解 CNN 中的卷积

• slides: lecture05
• 观看视频 p11, p12

2. 理解 CNN 中的 pooling

• slides: lecture05
• 观看视频 p13
• 学习卷积神经网络笔记

3. 完成 CNN 的第一个应用练习，人脸关键点检测

• 阅读 facial keypoint 小项目
• 参考代码

4. 作业

• 思考一下卷积神经网络对比传统神经网络的优势在哪里？为什么更适合处理图像问题，知识圈打卡上传
• 完成 assignment2 中 FullyConnectedNets.ipynb
• 作业详解：FullyConnectedNets1.md
• 作业详解：FullyConnectedNets2.md

Week6

1. 理解激活函数，权重初始化，batchnorm 对网络训练的影响

• slides: lecture06
• 观看视频 p14
• 学习神经网络笔记1

2. 深入理解 BatchNormalization

• slides: lecture06
• 观看视频 p15
• 学习神经网络笔记2

3. 总结回顾和理解深度学习中 normalize 的技巧

• 阅读文章 深度学习中的 normalization 方法

4. 作业

• 完成 assignment2 中 BatchNormalization.ipynb
• 完成 assignment2 中 Dropout.ipynb
• 作业详解：BatchNormalization.md
• 作业详解：Dropout.md

Week7

1. 理解更 fancy 的优化方法，更多的 normalize 以及正则化和迁移学习对网络训练的影响

• slides: lecture07
• 观看视频 p16, p17 和 p18
• 学习神经网络笔记3

2. 了解第二次的 kaggle 比赛 cifar10 分类

• 报名 cifar10 比赛
• 学习模板代码

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

• 完成 assignment2 中 ConvolutionNetworks.ipynb
• 修改 cifar10 的网络结构，在知识圈上提交 kaggle 成绩
• 作业详解：ConvolutionNetworks

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

• 学习笔记变形卷积核、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 assignment2 中的 PyTorch.ipynb
• 学习模板代码, 尝试更大的网络结构完成 kaggle 比赛种子类型识别的比赛，在知识圈上提交 kaggle 成绩
• 作业详解：Pytorch.md

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

• 学习blog Understanding LSTM Networks, 中文版本

4. 作业

• 完成 assignment3 中的 RNN_Captioning.ipynb
• 完成 assignment3 中的 LSTM_Captioning.ipynb
• 完成 coco 数据集上的 image caption 小项目，参考代码
• 作业详解：RNN_Captioning.md

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

• 学习目标检测的笔记

4. 作业

• 阅读论文 Fully Convolutional Networks for Semantic Segmentation 和中文笔记
• (可选) FCN 的复现代码理解

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 NetworkVisualization-PyTorch.ipynb
• 阅读论文 SSD: Single Shot MultiBox Detector 和一个详细的讲解
• (可选) SSD 的复现代码理解

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

• 完成 assignment3 中的 GANs-PyTorch.ipynb
• 完成 assignment3 中的 StyleTransfer-PyTorch.ipynb