李飛飛主講的CS231n課程作為深度學習和計算機視覺方面的重要基礎課,一直備受推崇,今年4月,她的課程再次開課,並進行了調整和更新,智能觀整理了最新的課程全部內容,分享給大家。
第一講
這一講做了整體課程介紹,包括計算機視覺概述、歷史背景以及課程組織等。
第二講
圖像分類:數據驅動方法、K-最近鄰、線性分類I。
第三講
損失函數和優化:包括線性分類II,高階表徵、圖像特點,優化、隨機梯度下降等內容。
第四講
神經網路:介紹反向傳播、多層感知器、神經元的概念。
第五講
卷積神經網路:卷積神經網路的歷史、卷積和池化、卷積神經網路的前瞻和願景。
第六講
訓練神經網路(I):包括激活函數、權重初始化、批量歸一化等內容。
第七講
訓練神經網路(II):優化方法、模型集成、正則化、數據擴張和遷移學習等。
第八講
深度學習軟體: Caffe、Torch、Theano、TensorFlow、Keras、PyTorch等。
第九講
CNN架構:AlexNet,VGG,GoogLeNet,ResNet等。
第十講
循環神經網路:主要包括RNN,LSTM,GRU,從語言建模、圖像描述、視覺問答系統等方面進行描述。
第十一講
檢測和分割:語義分割、目標檢測、實例分割。
第十二講
可視化和理解:特徵可視化和反演、對抗樣本、DeepDream(深度夢想)和風格轉移。
第十三講
生成模型:PixelRNN / CNN 、變分自編碼器、生成式對抗網路。
第十四講
強化學習:策略梯度,hard attention模型;Q-Learning和 Actor-Critic學習。
第十五講
現實世界使用:卷積演算法,CPU / GPU、低精度模型壓縮。
第十六講
對抗性樣本和對抗性訓練:該部分由lan goodfellow主講,詳細講解了對抗性樣本和對抗性訓練。