cs231n.github.io 暂未发现付费内容

直接按“Module 0 → Module 1 → Module 2”的顺序读笔记，同时用作业检验理解，是最省力的路径。这套材料是斯坦福 CS231n（Deep Learning for Computer Vision）课程的配套笔记，面向想系统学习计算机视觉与深度学习的人。前提是你具备基础 Python 和一点线性代数、微积分知识；如果暂时没有，先补 Module 0 的 Python/Numpy 教程再往下走。

第一步：完成 Module 0 的环境准备

Module 0 是 Preparation，包含两部分：

• Software Setup：配置运行课程代码所需的环境。
• Python / Numpy Tutorial（with Jupyter and Colab）：用 Jupyter 和 Colab 学习 Python 与 Numpy 基础。

这一步的预期结果是：你能在本地或 Colab 里跑通一段 Numpy 数组运算代码。常见卡点是环境依赖装不上或版本冲突，遇到时优先用 Colab 在线环境绕过本地配置。

第二步：按模块顺序读笔记

课程笔记分为两大模块，建议顺序阅读，不要跳读。

Module 1：Neural Networks（神经网络基础）

覆盖从数据驱动方法到网络训练的全过程：

• 图像分类：数据驱动方法、k-Nearest Neighbor、train/val/test 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。
• 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。
• 神经网络架构（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、训练过程监控、momentum（含 Nesterov）、二阶方法、Adagrad/RMSprop、超参数优化、模型集成。
• 综合案例：一个最小的 2D 玩具数据神经网络案例。

Module 2：Convolutional Neural Networks（卷积网络）

• 卷积网络架构：卷积层/池化层、空间排列、层模式、层尺寸模式，以及 AlexNet/ZFNet/VGGNet 案例、计算量考量。
• 理解与可视化卷积网络：tSNE 嵌入、deconvnet、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：把预训练卷积网络迁移到新任务。
• 循环神经网络（RNN）：序列建模相关笔记。
• 学生贡献文章：例如“Taking a Course Project to Publication”，讲如何把课程项目推进到发表。

第三步：用作业巩固

作业与笔记主题对应，按编号做能覆盖主要知识点：

其中 Assignment #2 的部分内容（Transformer 图像描述、自监督学习、扩散模型、CLIP 和 DINO）标注为 5 月 14 日发布。做作业时建议先读完对应笔记再动手，遇到梯度不收敛先回看 Part 3 的梯度检查和训练监控方法。

反馈与提问

笔记和作业有问题、疑问或 bug，官方给出的渠道是直接向 git 仓库提交 pull request，而不是在网站上留言。

一句话选择建议

如果你只想快速了解某个主题（比如只看反向传播或迁移学习），可以直接跳到对应笔记；但如果你要完整掌握这门课，按 Module 0 → Module 1 → Module 2 的顺序推进，并配合作业练习，效果最稳。

cs231n.github.io 是斯坦福大学 CS231n 课程《Deep Learning for Computer Vision》的配套网站，用于发布课程笔记、作业说明和学习模块。它面向跟课学生，也适合想系统自学深度学习与计算机视觉的人。网站本身是公开的课程资源站点，不是商业产品或在线课程平台。

网站提供什么内容

网站的核心是围绕课程组织的笔记和材料，按模块划分，覆盖从基础到前沿的完整链路：

• Module 0：准备——软件环境配置，以及带 Jupyter 和 Colab 的 Python / NumPy 教程。
• Module 1：神经网络——图像分类的数据驱动方法、k 近邻、训练/验证/测试集划分、L1/L2 距离、超参数搜索与交叉验证；线性分类（SVM、Softmax）、参数化方法、偏置技巧、hinge loss、交叉熵损失、L2 正则；优化（随机梯度下降、优化地形、学习率、解析/数值梯度）；反向传播的链式法则解释与梯度流模式；神经网络架构、激活函数、数据预处理、权重初始化、批归一化、正则化、损失函数、梯度检查、学习过程监控、动量、Adagrad/RMSprop、超参数优化与模型集成；以及一个最小神经网络案例研究。
• Module 2：卷积神经网络——卷积/池化层、空间排列、层模式与尺寸、AlexNet/ZFNet/VGGNet 案例、计算量考量；卷积网络的可视化与理解（tSNE 嵌入、deconvnet、数据梯度、欺骗卷积网络、与人类的对比）；迁移学习与微调。
• 循环神经网络——RNN 相关笔记。
• 学生贡献文章——例如“把课程项目做成论文发表”这类经验分享。

作业与课程安排

网站列出了 Spring 2026 的作业：

• 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、用 RNN 做图像描述。
• 后续内容还包括用 Transformer 做图像描述、自监督学习、扩散模型、CLIP 和 DINO 模型（标注为 5 月 14 日发布）。

作业说明和模块笔记放在同一站点，方便按课程节奏推进。

适合谁用

• 跟课学生：按模块顺序读笔记、做作业，与课程进度对齐。
• 自学者：把模块当作一条从图像分类到卷积网络、RNN、Transformer、扩散模型的学习路径，配合作业练习。
• 需要查漏补缺的人：反向传播、批归一化、迁移学习等主题的笔记可以单独查阅。

使用时的注意点

• 网站是课程资源站点，不提供付费或登录入口；具体作业提交、评分等安排以课程实际要求为准。
• 笔记内容会随课程更新，例如 Spring 2026 的作业列表和 5 月 14 日发布的新内容，说明站点处于持续维护状态。
• 遇到问题或 bug，网站说明是直接向 git 仓库提交 pull request，而不是通过客服渠道。

CS231n 的作业按学期发布，目前网站列出 Spring 2026 的三组作业：Assignment #1 覆盖图像分类、kNN、Softmax 与全连接网络；Assignment #2 覆盖批归一化、Dropout、卷积网络、网络可视化与 RNN 图像描述；第三组涉及 Transformer、自监督学习、扩散模型以及 CLIP 和 DINO 模型，标注为 5 月 14 日发布。如果你正在判断这套作业是否适合自己练手，下面按作业和对应课程模块拆开说明。

Assignment #1：从分类器到全连接网络

这组作业对应课程 Module 1（神经网络）的基础部分，目标是把“数据驱动分类”这条线走通一遍。

• 图像分类与 kNN：数据驱动方法、k-Nearest Neighbor、train/val/test 划分、L1/L2 距离、超参数搜索与交叉验证。
• 线性分类：支持向量机（SVM）与 Softmax 的参数化方法、bias trick、hinge loss、交叉熵损失、L2 正则化。
• 全连接神经网络：网络结构搭建、激活函数、数据预处理、权重初始化、批归一化、正则化（L2/dropout）与损失函数。
• 优化与反向传播：随机梯度下降、优化地形、学习率、解析梯度与数值梯度、链式法则与梯度流模式。

适合谁：刚接触深度学习、想亲手实现分类器和反向传播的人。前提是能读写 Python 和 NumPy；网站提供 Python / NumPy 教程（含 Jupyter 和 Colab），Module 0 的软件环境搭建也在这部分之前。

Assignment #2：卷积网络与序列模型

这组作业对应 Module 2（卷积神经网络）以及循环网络部分，重点从全连接转向卷积和序列建模。

• 批归一化与 Dropout：在训练流程中实现并观察它们对训练的影响。
• 卷积网络：卷积层与池化层、空间排列、层模式与层尺寸设计，以及 AlexNet / ZFNet / VGGNet 案例。
• 网络可视化：tSNE 嵌入、deconvnet、数据梯度、fooling ConvNets，以及与人类判断的对比。
• 图像描述（RNN）：用循环神经网络完成图像描述任务。

适合谁：已经能独立实现全连接网络、想理解卷积网络内部行为和可视化方法的人。Transfer Learning 与微调卷积网络的内容也在这条线上，可作为延伸。

第三组作业：Transformer、自监督与生成模型

网站列出的后续作业覆盖：

• 使用 Transformer 的图像描述
• 自监督学习
• 扩散模型
• CLIP 和 DINO 模型

这组内容标注为 5 月 14 日发布，属于较新的主题，和前面两组相比更贴近当前视觉模型的主流做法。

作业与课程模块的对应关系

怎么判断是否适合自己

• 如果你只想理解分类器和反向传播的数学与实现，Assignment #1 就够用，且不依赖卷积知识。
• 如果你想做视觉任务、理解卷积网络为什么有效，需要先完成 Assignment #1，再进入 Assignment #2。
• 如果你关注 Transformer 和自监督、扩散模型等较新方向，第三组作业更对口，但它建立在前面两组的基础之上。
• 网站还包含学生贡献的文章，例如“Taking a Course Project to Publication”，可作为把课程项目推进到发表的参考。

作业本身是实践巩固材料，和课程笔记配套使用。遇到问题或发现 bug，网站给出的渠道是直接向 git 仓库提交 pull request。

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：

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

1. 按模块顺序读，模块 1 的概念是模块 2 的前提。
2. 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。
3. 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。
4. 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。

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：

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。