CS231n 课程网站包含哪些学习模块和主题?
cs231n.github.io 是斯坦福 CS231n《Deep Learning for Computer Vision》课程的配套讲义网站，按模块组织从环境准备到前沿模型的完整学习路径。如果你要系统入门计算机视觉的深度学习，或想按主题查漏补缺，可以直接按下面的模块顺序定位内容。
Module 0：准备阶段
面向零基础或需要配置环境的学习者，包含两块内容：
- 软件环境搭建：配置课程所需的开发环境。
- Python / Numpy 教程：提供 Jupyter 和 Colab 版本，用于补齐 Python 与 Numpy 基础。
Module 1：神经网络
这是课程的核心基础模块，覆盖从图像分类到网络训练的全过程：
- 图像分类：数据驱动方法、k 近邻（kNN）、训练/验证/测试集划分、L1/L2 距离、超参数搜索、交叉验证。
- 线性分类：支持向量机（SVM）、Softmax、参数化方法、bias trick、hinge loss、交叉熵损失、L2 正则化，并附网页 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：链式法则解释、实值电路、梯度流模式。
- 神经网络结构（Part 1）：生物神经元模型、激活函数、网络架构、表示能力。
- 数据与损失（Part 2）：预处理、权重初始化、批归一化、正则化（L2/dropout）、损失函数。
- 学习与评估（Part 3）：梯度检查、健全性检查、学习过程监控、动量（含 Nesterov）、二阶方法、Adagrad/RMSprop、超参数优化、模型集成。
- 综合案例：用最小 2D 玩具数据演示一个最小神经网络。
Module 2：卷积神经网络
在神经网络基础上进入视觉专用架构：
- 卷积网络架构：卷积层与池化层、空间排列、层模式、层尺寸模式，以及 AlexNet/ZFNet/VGGNet 案例分析和计算量考量。
- 理解与可视化：tSNE 嵌入、反卷积网络、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：如何把预训练卷积网络迁移到新任务。
- 学生贡献文章：例如“把课程项目做成论文发表”的经验分享。
其他主题
网站还包含更进阶的内容：
- 循环神经网络（RNN）。
- 与 Transformer、自监督学习、扩散模型、CLIP 和 DINO 模型相关的作业内容。
作业与学习路径
课程作业与模块对应，可作为检验学习效果的方式：
| 作业 | 覆盖内容 |
|---|---|
| Assignment #1 | 图像分类、kNN、Softmax、全连接神经网络 |
| Assignment #2 | 批归一化、Dropout、卷积网络、网络可视化、RNN 图像描述 |
| 后续作业 | Transformer 图像描述、自监督学习、扩散模型、CLIP 和 DINO 模型 |
按 Module 0 → Module 1 → Module 2 → 其他主题的顺序学习，能形成从环境准备到前沿模型的完整链条；如果已有基础，也可以直接跳到需要的模块或作业。