紫荆站 | ZiJingBT v2

种子信息

[斯坦福公开课.卷积神经网络/深度学习/计算机视觉.春季.2017.英文字幕][Stanford CS231n - Convolutional Neural Networks for Visual Recognition (Spring 2017)][mp4]

[ 不计下载量 ]

选择操作:	种子下载 \| 加入收藏 \| 分享到细语
文件名:	ZiJingBT.CS231n - Convolutional Neural Networks for Visual Recognition (Spring 2017).torrent
种子名称:	CS231n - Convolutional Neural Networks for Visual Recognition (Spring 2017)
信息:	大小: 7.31 GB \| 文件数: 48 \| Info Hash: 3ccf3ee57bf1d22d3d8e2c30409212063c158b42
类别:	学习 \| 由 zyad86 (总版主平原上的斯瓦迪亚骑士) 上传于 2017-09-21 19:21:37
活跃度:	做种(5)/下载(0) \| 完成下载 (390) (最近一次活动时间 2020-11-24 11:48:15 / 种子活动时间 2020-11-24 11:48:15)
上传字幕:
便笺:
内容简介:	转自HUD 【新智元导读】斯坦福大学的 CS231n（全称：面向视觉识别的卷积神经网络）一直是计算机视觉和深度学习领域的经典课程，每年开课都吸引很多学生。今年是该课程第3次开课，学生达到730人（第1次150人，第2次350人）。今年的CS231n Spring的instructors 是李飞飞、Justin Johnson和Serena Yeung，并邀请 Ian Goodfellow 等人讲解GAN等重要主题。最近斯坦福大学公开了该课程的全部视频（配备英文）、slides等全部课程资料，新智元带来介绍。全部课程视频（英文字幕）：http://t.cn/R9Dfnxn 所有课程资料、PPT等：http://cs231n.stanford.edu/syllabus.html 课程描述师和助教团队计算机视觉在我们的社会中已经无处不在，例如应用于搜索、图像理解、apps、地图、医疗、无人机、自动驾驶汽车，等等。大部分应用的核心是视觉识别任务，例如图像分类、定位和检测。神经网络（又称“深度学习”）方法最新的进展大大提高了这些最先进的视觉识别系统的性能。本课程将带大家深入了解深度学习的架构，重点是学习这些任务，尤其是图像分类任务的端到端模型。在为期10周的课程中，同学们将要学习实现、训练和调试自己的神经网络，并深入了解计算机视觉的最前沿的研究。期末作业将涉及训练一个数百万参数的卷积神经网络，并将其应用于最大的图像分类数据集（ImageNet）。我们将重点介绍如何创建图像识别问题，学习算法（例如反向传播算法），训练和微调网络的实用工程技巧，引导学生进行实际操作和最终的课程项目。本课程的背景知识和材料的大部分来自 ImageNet 挑战赛。先修要求熟练使用Python，C / C ++高级熟悉所有的类分配都将使用Python（并使用numpy）（我们为那些不熟悉Python的人提供了一个教程），但是一些深入学习的库我们可以看看后面的类是用C ++编写的。如果你有很多的编程经验，但使用不同的语言（例如C / C ++ / Matlab / Javascript），你可能会很好。大学微积分，线性代数（例如MATH 19或41，MATH 51）您应该很乐意使用衍生词和理解矩阵向量运算和符号。基本概率和统计学（例如CS 109或其他统计学课程）您应该知道概率的基础知识，高斯分布，平均值，标准偏差等。 CS229（机器学习）的等效知识我们将制定成本函数，采用导数和梯度下降执行优化。课程 Notes：课程Notes： http://cs231n.github.io/ 模块0：准备内容 Python / Numpy 教程IPython Notebook 教程Google Cloud 教程Google Cloud with GPU教程AWS 教程模块1：神经网络图像分类：数据驱动的方法，k最近邻法，train/val/test splitsL1 / L2距离，超参数搜索，交叉验证线性分类：支持向量机，Softmax参数化方法，bias技巧，hinge loss，交叉熵损失，L2正则化，web demo 优化：随机梯度下降本地搜索，学习率，分析/数值梯度反向传播，直觉链规则解释，real-valued circuits，gradient flow中的模式神经网络第1部分：建立架构生物神经元模型，激活函数，神经网络架构神经网络第2部分：设置数据和损失预处理，权重初始化，批量归一化，正则化（L2 /dropout），损失函数神经网络第3部分：学习和评估梯度检查，完整性检查，动量（+ nesterov），二阶方法，Adagrad / RMSprop，超参数优化，模型集合把它放在一起：一个神经网络案例研究极小2D玩具数据示例模块2：卷积神经网络卷积神经网络：架构，卷积/池化层层，空间排列，层模式，层大小模式，AlexNet / ZFNet / VGGNet案例研究，计算考虑理解和可视化卷积神经网络tSNE嵌入，deconvnets，数据梯度，fooling ConvNets，human comparisons 迁移学习和微调卷积神经网络内容简介 Lecture 1：面向视觉识别的卷积神经网络课程简介 Lecture 1介绍了计算机视觉这一领域，讨论了其历史和关键性挑战。我们强调，计算机视觉涵盖各种各样的不同任务，尽管近期深度学习方法取得了一些成功，但我们仍然远远未能实现人类水平的视觉智能的目标。关键词：计算机视觉，寒武纪爆炸，暗箱，Hubel 和 Wiesel，积木块世界，规范化切割，人脸检测，SIFT，空间金字塔匹配，定向梯度直方图，PASCAL视觉对象挑战赛，ImageNet挑战赛 PPT：cs231n.stanford.edu/slides/2017/cs231n_2017_lecture1.pdf Lecture 2：图像分类 Lecture 2 使图像分类问题正式化。我们讨论了图像分类问题本身的难点，并介绍了数据驱动（data-driven）方法。我们讨论了两个简单的数据驱动图像分类算法：K-最近邻法（K-Nearest Neighbors）和线性分类（Linear Classifiers）方法，并介绍了超参数和交叉验证的概念。关键词：图像分类，K最近邻，距离度量，超参数，交叉验证，线性分类器 PPT：cs231n.stanford.edu/slides/2017/cs231n_2017_lecture2.pdf Lecture 3：损失函数和最优化 Lecture 3 继续讨论线性分类器。我们介绍了损失函数的概念，并讨论图像分类的两个常用的损失函数：多类SVM损失（multiclass SVM loss）和多项逻辑回归损失（multinomial logistic regression loss）。我们还介绍了正规化（regularization ），作为对付过拟合的机制，以及将权重衰减（weight decay ）作为一个具体的例子。我们还介绍了优化（optimization）的概念和随机梯度下降（stochastic gradient descent ）算法。我们还简要讨论了计算机视觉特征表示（feature representation）的使用。关键词：图像分类，线性分类器，SVM损失，正则化，多项逻辑回归，优化，随机梯度下降 PPT：cs231n.stanford.edu/slides/2017/cs231n_2017_lecture3.pdf Lecture 4：神经网络介绍在 Lecture 4 中，我们从线性分类器进展到全连接神经网络（fully-connected neural network）。本节介绍了计算梯度的反向传播算法（backpropagation algorithm），并简要讨论了人工神经网络与生物神经网络之间的关系。关键词：神经网络，计算图，反向传播，激活函数，生物神经元 PPT：cs231n.stanford.edu/slides/2017/cs231n_2017_lecture4.pdf etc.
感谢者:	葛荣存, Litost, 大大卷, 青叶, yleaves, todx, Hsinchu, 方少, sapper, rafale1003, Sloriac, qf129, lijun, 稻花香, H2P, 张扬, 叶童, 冰墨魂, SmallKing, 许黎之, hengxin1102, hchsoon (已有 22 人表达了感谢)