这门课到底在解决什么问题

计算机视觉的核心，从来不是调用一个现成的模型预测接口，而是搞懂图像数据如何转化为模型能理解的数值特征，以及如何通过数学优化让模型自动找到最优参数。这套基于斯坦福CS231n体系的资料，解决的就是这个从零搭建认知的过程。它不教你怎么用拖拽工具快速出图，而是带你回到图像分类的底层逻辑：从最朴素的距离度量分类器开始，一步步推导线性分类、支持向量机损失、softmax概率输出，直到掌握梯度下降和反向传播的代码实现。如果你每次遇到模型训练报错或准确率异常就束手无策，这门课就是帮你补齐“为什么这么写”的底层原理，让你不再停留在只会复制粘贴代码的阶段。

适合什么基础与怎么用资料

这套资料对基础有明确门槛。它默认你已经掌握Python基本语法，能看懂基础的矩阵运算，且具备微积分求导的初步概念。如果你完全没写过代码，直接看损失函数推导会非常吃力。拿到资料后，建议先看学习指南，明确整体节奏。第一阶段的重点是从历史概念过渡到knn与线性分类器，不要只看视频，必须打开配套的交互式笔记，把knn分类算法的代码跑通。遇到优化策略和损失函数的导读时，先自己推导一遍公式，再去对照作业解答视频看思路。资料里提供的作业代码下载链接，不是给你直接抄答案的，而是用来在你卡壳超过半天后，对比自己的写法差异，找出逻辑断点。

学完能独立做什么

按这套体系踏实地走完，你不会立刻变成资深算法研究员，但能独立完成几件实在的事：能从零用纯代码实现一个图像分类器，能手写SVM和Softmax的损失函数并计算梯度，能看懂任何主流深度学习框架的官方文档而不被反向传播的底层逻辑绕晕。当你再面对真实的图像分类任务时，不再是盲目调用现成模型，而是知道如何设计数据输入管道、如何选择合适的损失函数、如何排查优化过程中的数值异常。这套资料的价值在于帮你建立算法调试的硬功夫，把那些只会调包的同行甩在身后。


【必看】训练营学习指南.html · 【严正声明】盗版必究！.html · 【资料合集】作业代码下载链接.html · 【招募】如何获得深度之眼奖学金和助学金？

课程目录

*   01 【必看】训练营学习指南.html

*   02 【严正声明】盗版必究！.html

*   03 【资料合集】作业代码下载链接.html

*   04 【招募】如何获得深度之眼奖学金和助学金？.html

*   05 计算机视觉发展历史及一些计算机视觉任务概念.mp4

*   06 学习knn分类算法.html

*   07 学习线性分类器.html

*   08 knn与线性分类器知识点提点.mp4

*   09 knn.ipynb程序.html

*   10 学习内容总结+观看作业解答视频.mp4

*   11 损失函数和优化导读.mp4

*   12 svm多分类损失函数与softmax.mp4

*   13 函数的优化策略.html

*   14 作业2 svm.ipynb, softmax.ipynb.html

*   15 学习反向传播.mp4

*   16 作业讲解视频.mp4

*   17 作业讲解视频.mp4

*   18 学习简单的神经网络.html

*   19 学习卷积神经网络历史.mp4

*   20 学习卷积和池化.mp4

*   21 学习激活函数、数据处理、权重初始化.mp4

*   22 作业讲解视频.mp4

*   23 学习批量归一化.html

*   24 作业3.html

*   25 学习优化策略.mp4

*   26 学习正则化和迁移学习 了解各个框架的优缺点.html

*   27 作业讲解视频.mp4

*   28 作业4.html

*   29 作业5.html

*   30 学习比较流行的cnn网络结构.mp4

*   31 学习rnn,lstm,gru.mp4

*   32 作业6.html

*   33 学习图像分割学习任务，分类和定位.mp4

*   34 学习目标检测.html

*   35 学习特征可视化方法.mp4

*   36 作业7.html

*   37 学习Pixel RNN,Pixel CNN与变分自编码.mp4

*   38 学习生成对抗网络.html

*   39 作业8.html

*   40 作业9.html

*   41 学习深度增强学习.html

*   42 学习 Q-Learning,Actor-Critic算法.html

*   43 学习神经网络模型压缩和加速.html

*   44 学习对抗样本和对抗训练.html

*   45 【kaggle猫狗分类比赛】比赛简介.mp4

*   46 【学习kaggle猫狗分类比赛】详细操作.mp4