李飞飞CS231n2017课程双语字幕版上线 !（附课程链接）

来源：AI科技评论

本文长度为2400字，建议阅读4分钟

本文为你介绍最近上线的李飞飞的CS231n2017课程中文版。

CS231n 2017双语字幕版上线！正式开课！距离斯坦福计算机视觉课程结束5个月，2017春季CS231n中文版终于上线了，课程中文版已经在AI慕课学院（mooc.ai ）发布，11月10日正式开课，预计持续12周！

无法科学上网看到原视频的、以及对英文生肉表示压力山大的同学，现在可以在国内看到完整流畅的中文版视频了。中文版课程链接：

http://www.mooc.ai/course/268  

浏览器输入链接或点击文末“阅读原文”即可看到~

我们先来介绍一下，CS231n

CS231n的全称是CS231n: Convolutional Neural Networks for Visual Recognition，即面向视觉识别的卷积神经网络。

该课程是斯坦福大学计算机视觉实验室推出的课程。需要注意的是，我们这次翻译的是2017春季（4月至6月）的最新版本。

部分双语字幕版视频截图：

lecture1 计算机视觉概述视频截图

lecture1 计算机视觉概述视频截图

lecture1 李飞飞介绍计算机视觉历史背景视频截图

任课导师

导师和去年一样，还是由李飞飞教授和他的两个博士生Justin Johnson和Serena Yeung领衔教授。

课程描述

引用课程主页上的官方课程描述如下：

计算机视觉已经在我们的社会中无处不在，并广泛运用在搜索、图像理解、应用程序、测绘、医药、无人机和自动驾驶汽车等领域。这些应用程序的核心技术是视觉识别任务，如图像分类、图像定位和图像检测。近期，神经网络（又名“深度学习”）方法上的进展极大地提高了这些代表最先进水平的视觉识别系统性能。

本课程深入探讨深度学习架构的细节问题，重点学习视觉识别任务（尤其是图像分类任务）的端到端学习模型。在为期10周的课程中，学生将学习如何实现、训练和调试自己的神经网络，并建立起对计算机视觉领域前沿研究方向的详细理解。最后的任务将涉及训练一个有数百万参数卷积神经网络，并将其应用于最大的图像分类数据库（ImageNet）上。

我们将着重教授如何设置图像识别问题，学习算法（例如反向传播），用于训练和微调（fine-tuning）网络的工程实践技巧，引导学生完成实践作业和最终课程项目。本课程的大部分背景知识和素材都来源于ImageNet Challenge竞赛。

课程内容

2017 春季CS231n包括 PPT 和视频在内的所有教学资料都已开放。雷锋字幕组将为大家提供相应的资源和中文视频。

通过查看官方课程表，我们可以看到CS231n课程资源主要由授课视频与PPT，客座讲座，授课知识详解笔记，课程作业，课程项目五部分组成。其中：

• 授课视频14课。每节课时约1小时左右，每节课一份PPT。

• 客座讲座2课。每节讲座约1小时30分左右。

• 授课知识详解笔记共16份。

• 课程作业3次。

• 课程项目1个。

• 拓展阅读若干。

为了方便大家交流，专门开辟了社区供大家交流。在社区中，目前支持大家提问/回答，以及发布文章，可以插入图片、视频、超链接、代码块、公式编辑器，欢迎大家在社区中进行更多形式的交流~

社区地址：mooc.ai/bbs 

请大家在学习过程中多做学习笔记，不仅仅是记录课堂知识，更是结合自己的思考和理解，这样可以理解更加透彻，更利于知识内化。欢迎大家把学习笔记发布在mooc.ai/bbs 的博客区！

课程大纲

第一讲：课程简介

• 计算机视觉概述

• 历史回顾

• 课程逻辑顺序

第二讲：图像分类

• 数据驱动方法

• K最近邻算法

• 线性分类I

第三讲：损失函数和优化

• 线性分类II

• 进阶模型表示与图像特征

• 优化，随机梯度下降

第四讲：介绍神经网络

• 反向传播算法

• 多层感知器

• 神经学观点

第五讲：卷积神经网络

• 历史

• 卷积和池化

• 视觉之外的卷积神经网络

第六讲：训练神经网络，第一部分

• 激活函数

• 初始化

• 信号丢失

• 小批量正则化

第七讲：训练神经网络，第二部分

• 更新原则

• 集成

• 数据增强

• 迁移学习

第八讲：深度学习软件

Caffe, Torch, Theano, TensorFlow, Keras, PyTorch等等

第九讲：卷积神经网络架构

AlexNet, VGG, GoogLeNet, ResNet 等等

第十讲：递归神经网络

• RNN,LSTM,GRU

• 自然语言模型

• 图像字幕，视觉问题回答，软性关注

第十一讲：检测与分割

• 语义分割

• 目标检测

• 实例分割

第十二讲：可视化和理解

• 表征可视化

• 对抗实例

• DeepDream和风格迁移

第十三讲：生成模型

• Pixel RNN/CNN

• 自编码器

• 生成对抗网络

第十四讲：深度增强学习

• 方法梯度，硬性关注

• Q-学习，评价器

第十五讲：Song Han、Ian Goodfellow 教授客座讲授

第十六讲：学生讨论，推导

课程内容评价

我们都觉得超级棒！CS231n是非常好的入门材料，也是计算机视觉和深度学习领域最经典的课程之一，这门课适合绝大多数想要学习深度学习知识的人。希望这次翻译能够帮助到，不喜欢看英文生肉视频的你们！下面是雷锋字幕组译者们对该课程的走心评价：

@李石羽：CS231n这门课我以前断断续续看过一些，觉得讲的还是很好的，尤其是在入门和进阶阶段。我本身专业也相关，所以做翻译的时候也是尽量去理解老师要讲什么再去翻，争取能方便大家理解。

@Jackie：CS231N这门课是入门神经网络很好的课程,内容简单易懂,特别适合没有基础的同学.课程比较系统的简绍了神经网络的常用方法,尤其是重要概念的介绍比较详细生动,例如梯度下降法,BP法等。

@姜波：从课程内容上来说，由浅到深蛮不错的，尤其是计算机视觉与深度学习结合的点非常好。

@熊浪涛：这门课大家都知道啊，讲的很全面，尤其是DL在CV方向上。翻译也是进一步学习课程的很好的方法，还有就是也能帮助大家，可以放2倍速看视频了。翻译也是一件很有意思的事情，对中文和英文学习都有帮助。单就这门课程来说，搞这个的算是家喻户晓吧。我是看完Deep Learning那本书，然后再来看这个视频，看看别人怎么思考这些问题的。

@王青松：我已经看过16年的这门课，17年的说实话，还没有完整看过，这门课很好，可以了解很多当下前沿内容，工业应用，从中可以发现一些我可以去结合的地方。

@程炜：因为专门针对视觉识别，在这方面可以比较深入，针对性较强。而且有对课程作业的讲解，有学有练。课程更新快。适合想要深度学习入门的童鞋。

@安妍：觉得课程还是非常好的，而且对一些硬性的基础要求并不是非常高，而且能更近距离接触到全球的AI领域大牛的前辈，能够听取到他们的言论，是工作和职业所不能带给我的。