课程介绍
计算机视觉 Computer Vision 已无处不在，视觉识别 Visual Recognition 作为其核心任务，被广泛应用于搜索、图像理解、应用程序、地图、医学、无人机和自动驾驶汽车等领域。神经网络 neural network(即“深度学习”)方法的发展，极大地提高了视觉识别系统的性能。
CS231n 是顶级院校斯坦福出品的深度学习与计算机视觉方向专业课程，全称是 CS231n: Convolutional Neural Networks for Visual Recognition，是计算机视觉方向的必学经典。课程最后一版公开视频为2017版，希望了解领域最新发展的同学，可以关注ShowMeAI整理发布的『CS231n进阶课』：EECS498 | Michigan密歇根 · 深度学习与计算机视觉。
课程将深入讲解深度学习框架的细节问题，聚焦面向视觉识别任务(尤其是图像分类任务)的端到端学习模型。
课程为期10周，学生将搭建和训练自己的神经网络，并了解计算机视觉领域的前沿研究进展。此外，最终项目将使学生有机会在所选的视觉任务上训练和应用数百万参数的网络。通过多个作业和最终项目，学生将获得设置深度学习任务的工具集，以及用于训练和微调 fine-tuning 深度神经网络的工程技巧。
课程由 Stanford Vision and Learning Lab (http://svl.stanford.edu/)推出，课程设计者和主讲人 Fei-Fei Li 李飞飞是计算机视觉研究领域领军人物，美国斯坦福大学计算机系终身教授。
课程学习需要以下知识基础：
- Python(熟练)。作业使用Python（以及numpy），能熟练使用C/C++/Matlab/Javascript编程也可以。
- 大学微积分、线性代数。熟练地学习导数，理解矩阵向量运算和符号。
- 基本概率和统计。知道概率、高斯分布、均值、标准差等的基本知识。
课程主题
第1部分 Lecture1-3 深度学习背景知识简单介绍
- 课程引入与介绍
- softmax和svm两种损失函数
- 优化算法（SGD等）
- KNN和线性分类器
第2部分 Lecture4-9 卷积神经网络
- CNN及各种层次结构（卷积、池化、全连接）
- Backpropagation计算方法
- 优化的训练方法（Adam, Momentum, Dropout, Batch-Normalization）
- 训练 CNN 的注意事项（参数初始化与调优）
- 深度学习框架（TensorFlow, Caffe, Pytorch）
- 线性CNN结构（AlexNet, VGGNet, GoogLeNet, ResNet）
第3部分 Lecture10-16 计算机视觉应用
- RNN（image captioning等）
- 目标检测（R-CNN、Fast/Faster R-CNN ）
- 语义分割
- 神经网络可视化与可解释性
- 生成模型与GAN
- 深度强化学习
深度学习与计算机视觉教程：斯坦福CS231n 全套笔记解读
| 教程 | 章节与超链接 | 配图 |
|---|---|---|
| 深度学习与计算机视觉教程(1) | CV引言与基础](https://www.showmeai.tech/article-detail/260) |  |
| 深度学习与计算机视觉教程(2) | 图像分类与机器学习基础](https://www.showmeai.tech/article-detail/261) |  |
| 深度学习与计算机视觉教程(3) | 损失函数与最优化](https://www.showmeai.tech/article-detail/262) |  |
| 深度学习与计算机视觉教程(4) | 神经网络与反向传播](https://www.showmeai.tech/article-detail/263) |  |
| 深度学习与计算机视觉教程(5) | 卷积神经网络](https://www.showmeai.tech/article-detail/264) |  |
| 深度学习与计算机视觉教程(6) | 神经网络训练技巧 (上)](https://www.showmeai.tech/article-detail/265) |  |
| 深度学习与计算机视觉教程(7) | 神经网络训练技巧 (下)](https://www.showmeai.tech/article-detail/266) |  |
| 深度学习与计算机视觉教程(8) | 常见深度学习框架介绍](https://www.showmeai.tech/article-detail/267) |  |
| 深度学习与计算机视觉教程(9) | 典型CNN架构 (Alexnet, VGG, Googlenet, Restnet等)](https://www.showmeai.tech/article-detail/268) |  |
| 深度学习与计算机视觉教程(10) | 轻量化CNN架构 (SqueezeNet, ShuffleNet, MobileNet等)](https://www.showmeai.tech/article-detail/269) |  |
| 深度学习与计算机视觉教程(11) | 循环神经网络及视觉应用](https://www.showmeai.tech/article-detail/270) |  |
| 深度学习与计算机视觉教程(12) | 目标检测 (两阶段, R-CNN系列)](https://www.showmeai.tech/article-detail/271) |  |
| 深度学习与计算机视觉教程(13) | 目标检测 (SSD, YOLO系列)](https://www.showmeai.tech/article-detail/272) |  |
| 深度学习与计算机视觉教程(14) | 图像分割 (FCN, SegNet, U-Net, PSPNet, DeepLab, RefineNet)](https://www.showmeai.tech/article-detail/273) |  |
| 深度学习与计算机视觉教程(15) | 视觉模型可视化与可解释性](https://www.showmeai.tech/article-detail/274) |  |
| 深度学习与计算机视觉教程(16) | 生成模型 (PixelRNN, PixelCNN, VAE, GAN)](https://www.showmeai.tech/article-detail/275) |  |
| 深度学习与计算机视觉教程(17) | 深度强化学习 (马尔可夫决策过程, Q-Learning, DQN)](https://www.showmeai.tech/article-detail/276) |  |
| 深度学习与计算机视觉教程(18) | 深度强化学习 (梯度策略, Actor-Critic, DDPG, A3C)](https://www.showmeai.tech/article-detail/277) |  |
课程资料 | 下载
 |
</td></tr></tbody></table>
扫描上方图片二维码，关注公众号并回复关键字 🎯『CS231n』，就可以获取整理完整的资料合辑啦！当然也可以点击 🎯 这里 查看更多课程的资料获取方式！
ShowMeAI 对课程资料进行了梳理，整理成这份完备且清晰的资料包：
- 📚 课件-PDF。Lecture 1~16所有章节。经典课程的经典资料，收藏走起~
- 📚 作业及参考答案-.ipynb。Assignment 1~3作业与答案。边学边练，再对下答案！
课程视频 | B站
ShowMeAI 将视频上传至B站，并增加了中英双语字幕，以提供更加友好的学习体验。点击页面视频，可以进行预览。推荐前往 👆 B站 观看完整课程视频哦！
本门课程，ShowMeAI 将部分章节进行了切分，按照主题形成更短小的视频片段，便于按照标题进行更快速的检索。切分后的视频清单列写在这里： | 序号 | 视频章节 | 视频清单 | | —- | ——– | ———————————- | | L1 | 第01讲 | 计算机视觉与卷积神经网络介绍 | | L2 | 第02讲 | 图像分类 | | L3 | 第03讲 | 损失函数与优化 | | L4 | 第04讲 | 神经网络介绍 | | L5 | 第05讲 | 卷积神经网络 | | L6 | 第06讲 | 神经网络训练技巧与注意事项(上) | | L7 | 第07讲 | 神经网络训练技巧与注意事项(下) | | L8 | 第08讲 | 深度学习工具库及其应用 | | L9 | 第09讲 | 卷积神经网络典型网络结构介绍 | | L10 | 第10讲 | 循环神经网络 | | L11 | 第11讲 | 目标检测与图像分割 | | L12 | 第12讲 | 可视化与模型理解 | | L13 | 第13讲 | CV中的生成模型 | | L14 | 第14讲 | 深度强化学习 | | L15 | 第15讲 | 深度学习的提效(模型压缩)与硬件知识 | | L16 | 第16讲 | 对抗学习与训练 |
ShowMeAI 根据视频内容整理的这份『CS231n 课程结构图解』，展示了内容要点及其逻辑关系，超级直观！相信对构建 Whole Picture 特别有帮助~
更多技术与课程清单 | 点击查看详细课程
