CS231n 笔记中讲解了哪些计算机视觉与深度学习核心技术?

CS231n 的公开笔记按“从零搭建到现代模型”的顺序组织，覆盖图像分类、线性分类器、优化与反向传播、神经网络工程实践、卷积网络及其可视化、迁移学习，并延伸到 RNN、Transformer、自监督学习、扩散模型和 CLIP/DINO 等较新主题。它适合作为课程配套阅读：先看某个模块的笔记理解原理，再对应完成作业中的代码实现。笔记本身是课程材料，不替代作业的动手环节。

模块 0：准备

软件环境搭建（Software Setup）
Python / NumPy 教程，提供 Jupyter 和 Colab 版本

这一部分解决“跑不起来”的问题，是后续所有代码练习的前置条件。

模块 1：神经网络基础

图像分类与数据驱动方法

数据驱动分类的基本框架
k-Nearest Neighbor（kNN）
训练集 / 验证集 / 测试集划分
L1、L2 距离
超参数搜索与交叉验证

线性分类

参数化方法、偏置技巧（bias trick）
支持向量机（SVM）与 Softmax
合页损失（hinge loss）、交叉熵损失
L2 正则化
配套网页演示（web demo）

优化

随机梯度下降（SGD）
优化地形、局部搜索、学习率
解析梯度与数值梯度

反向传播

链式法则的解释
实值电路视角
梯度流动中的模式

神经网络架构与训练

笔记把神经网络拆成三部分：

部分	主要内容
Part 1：搭建架构	生物神经元模型、激活函数、网络结构、表示能力
Part 2：数据与损失	预处理、权重初始化、批归一化、正则化（L2/dropout）、损失函数
Part 3：学习与评估	梯度检查、健全性检查、训练过程监控、动量（含 Nesterov）、二阶方法、Adagrad/RMSprop、超参数优化、模型集成

最后用一个二维玩具数据的最小神经网络案例把上述内容串起来。

模块 2：卷积神经网络

卷积与池化层、空间排列、层模式与层尺寸模式
AlexNet / ZFNet / VGGNet 案例研究
计算量方面的考量
理解与可视化卷积网络：t-SNE 嵌入、反卷积网络（deconvnets）、数据梯度、欺骗卷积网络（fooling ConvNets）、与人类的对比
迁移学习与微调卷积网络
学生贡献文章，例如“把课程项目做成论文发表”

进阶主题

从作业安排可以看到后续方向：

循环神经网络（RNN）与图像描述生成
Transformer 用于图像描述
自监督学习
扩散模型
CLIP 与 DINO 模型

怎么用这些笔记

按模块顺序读，模块 1 的概念是模块 2 的前提。
读到一个主题时，对照作业中的对应实现（如 Assignment #1 的 kNN、Softmax、全连接网络；Assignment #2 的批归一化、Dropout、卷积网络、网络可视化、RNN 图像描述）动手写一遍。
遇到梯度、初始化、学习率这类工程问题，优先回看“学习与评估”和“数据与损失”两节，它们集中了常见坑。
想了解某个具体模型，先看案例研究（AlexNet/ZFNet/VGGNet），再进入可视化与迁移学习部分。

笔记内容会随课程更新，例如 Transformer、自监督、扩散模型、CLIP/DINO 属于较新的增补主题，阅读时以网站当前版本为准。