斯坦福CS231n Spring 2017详细课程大纲(附完整版课件下载)

2017 年 7 月 7 日 数据派THU

来源:机器之心

本文长度为1200字,建议阅读3分钟

本文为你分享计算机视觉领域和深度学习领域最为经典的课程之一CS231n2017年全部课件。


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。而不久前结课的 CS231n Spring 2017 仍由李飞飞带头主讲,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,重点详细介绍了 CNN、RNN、GAN、RL 等深度模型在计算机视觉上的应用。


后台回复关键词“斯坦福”,下载全部课件。



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,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)


该课程在图像分类的基础上介绍了其他的计算机视觉任务,如语义分割、目标检测和实例分割等,同时还详细介绍了其它如 R-CNN、Fast R-CNN、Mask R-CNN 等架构。



Lecture 12:可视化和理解(Visualizing and Understanding)


该部分不仅讲述了特征可视化和转置,同时还描述了对抗性样本和像 DeepDream 那样的风格迁移系统。



Lecture 13:生成模型(Generative Models)


该章节从 PixelRNN 和 PixelCNN 开始,再到变分自编码器和生成对抗网络详细地讲解了生成模型。



Lecture 14:强化学习(Reinforcement Learning)


该章节先从基本概念解释了什么是强化学习,再解释了马尔可夫决策过程如何形式化强化学习的基本概念。最后对 Q 学习和策略梯度进行了详细的刻画,包括架构、优化策略和训练方案等等。



Lecture 15:深度学习高效的方法和硬件(Efficient Methods and Hardware for Deep Learning)


该章节首先展示了深度学习的三大挑战:即模型规模、训练速度和能源效率。而解决方案可以通过联合设计算法-硬件以提高深度学习效率,构建更高效的推断算法等,



Lecture 16:对抗性样本和对抗性训练(Adversarial Examples and Adversarial Training)


该章节由 Lan Goodfellow 于 5 月 30 日主讲,主要从什么是对抗性样本、对抗性样本产生的原因、如何将对抗性样本应用到企业机器学习系统中及对抗性样本会如何提升机器学习的性能等方面详细描述对抗性样本和对抗性训练。



为保证发文质量、树立口碑,数据派现设立“错别字基金”,鼓励读者积极纠错

若您在阅读文章过程中发现任何错误,请在文末留言,或到后台反馈,经小编确认后,数据派将向检举读者发8.8元红包

同一位读者指出同一篇文章多处错误,奖金不变。不同读者指出同一处错误,奖励第一位读者。

感谢一直以来您的关注和支持,希望您能够监督数据派产出更加高质的内容。

公众号底部菜单有惊喜哦!

企业,个人加入组织请查看“联合会”

往期精彩内容请查看“号内搜”

加入志愿者或联系我们请查看“关于我们”

登录查看更多
10

相关内容

斯坦福大学CS231n课程
斯坦福2020硬课《分布式算法与优化》
专知会员服务
117+阅读 · 2020年5月6日
【斯坦福新课】CS234:强化学习,附课程PPT下载
专知会员服务
112+阅读 · 2020年1月15日
专知会员服务
112+阅读 · 2019年12月24日
【课程推荐】普林斯顿陈丹琦COS 484: 自然语言处理课程
专知会员服务
81+阅读 · 2019年12月11日
麻省理工2019年深度学习导论课程全套PPT
专知
14+阅读 · 2019年2月15日
第三期打卡召集令:李飞飞吴恩达周志华陪你过五一
学界 | MIT深度学习课程全部视频及课件开放
大数据文摘
7+阅读 · 2018年2月20日
Arxiv
12+阅读 · 2019年2月28日
The Evolved Transformer
Arxiv
5+阅读 · 2019年1月30日
Arxiv
7+阅读 · 2018年11月6日
Arxiv
3+阅读 · 2018年5月20日
Arxiv
7+阅读 · 2018年3月22日
Arxiv
4+阅读 · 2017年7月25日
Arxiv
4+阅读 · 2015年8月25日
VIP会员
相关论文
Arxiv
12+阅读 · 2019年2月28日
The Evolved Transformer
Arxiv
5+阅读 · 2019年1月30日
Arxiv
7+阅读 · 2018年11月6日
Arxiv
3+阅读 · 2018年5月20日
Arxiv
7+阅读 · 2018年3月22日
Arxiv
4+阅读 · 2017年7月25日
Arxiv
4+阅读 · 2015年8月25日
Top
微信扫码咨询专知VIP会员