2017/0113/192478.html">斯坦福CS231n 2017/0124/196754.html">Spring 2017开放全部课程视频（附大纲）

2017-08-13 10:58 来源:机器之心 视频 /计算机

原标题：斯坦福CS231n Spring 2017开放全部课程视频（附大纲）

参与：机器之心编辑部

CS231n近几年一直是计算机视觉领域和深度学习领域最为经典的课程之一。而最近刚刚结课的CS231n Spring 2017 仍由李飞飞主讲，并邀请了Goodfellow等人对其中部分章节详细介绍。本课程从计算机视觉的基础概念开始，在奠定了基本分类模型、神经网络和优化算法的基础后，详细介绍了CNN、RNN、GAN、RL等深度模型在计算机视觉上的应用。前天，斯坦福开放了该课程的全部视频，并且还有配套英文字幕。因此，CS231n 2017 春季课程包括 PPT 和视频在内的所有教学资料都已开放。机器之心将为各位读者介绍该课程，并提供相应的资源，Bilibili视频地址由微博知名博主爱可可老师提供。

课件地址：

课程视频地址：https://www.youtube.com/playlist?list=PL3FW7Lu3i5JvHM8ljYj-zLfQRF3EO8sYv

Bilibili视频地址：#page=1

以下为该课程的内容大纲

Lecture 1：计算机视觉的概述、历史背景以及课程计划

Lecture 2：图像分类——包括数据驱动（data-driven）方法，atv，K 近邻方法（KNN）和线性分类（linear classification）方法

Lecture 3：损失函数和优化（loss Function and optimization）

这一讲主要分为三部分内容：

1. 继续上一讲的内容介绍了线性分类方法；

2. 介绍了高阶表征及图像的特点；

3. 优化及随机梯度下降（SGD）。

Lecture 4：神经网络

包括经典的反向传播算法（back-propagation）；多层感知机结构（multilayer perceptrons）；以及神经元视角。

Lecture 5：卷积神经网络（CNN）

主要分为三部分内容：

1. 卷积神经网络的历史背景及发展；

2. 卷积与池化（convolution and pooling）;

3. ConvNets 的效果

Lecture 6：如何训练神经网络 I

介绍了各类激活函数，数据预处理，权重初始化，分批归一化（batch normalization）以及超参优化（hyper-parameter optimization）。

Lecture 7：如何训练神经网络 II

介绍了优化方法（optimization）、模型集成（model ensembles）、正则化（regularization）、数据扩张（data-augmentation）和迁移学习（transfer learning）。

Lecture 8: 深度学习软件基础

1. 详细对比了 CPU 和 GPU；

2. TensorFlow、Theano、PyTorch、Torch、Caffe 实例的具体说明；

3. 各类框架的对比及用途分析。

Lecture 9：卷积神经网络架构（CNN Architectures）

该课程从 LeNet-5 开始到 AlexNet、VGG、GoogLeNet、ResNet 等由理论到实例详细描述了卷积神经网络的架构与原理。

Lecture 10：循环神经网络（Recurrent Neural Networks）

该课程先详细介绍了 RNN、LSTM 和 GRU 的架构与原理，再从语言建模、图像描述、视觉问答系统等对这些模型进行进一步的描述。

Lecture 11：检测与分割（Detection and Segmentation）