# cs231n 深度學習與計算機視覺(資料彙總）--程式碼及說明 python3.x和python2.x的版本（每次更新完成的作業）
cs231n 深度學習與計算機視覺(資料彙總）–程式碼及說明 python3.x和python2.x的版本（每次更新完成的作業）
標籤（空格分隔）： 神經網路
1.python2.x版本
2.python3.x版本
這個是2017年斯坦福大學新補上的，哈哈，好爽！
官網連結 只看 2017 Spring個人GitHub
3.課程大綱
Spring 2017 Assignments
Assignment #1:
Image Classification，kNN, SVM, Softmax, Neural Network
- 瞭解基本的影象分類流程和資料驅動的方法（訓練/預測階段）
- 理解train / val / test splitting和使用驗證資料進行超引數調整。
- 培養熟練使用numpy 編寫高效的向量化程式碼
- 實現並應用k-最近鄰（kNN）分類器
- 實現並應用多類支援向量機（SVM）分類器
- 實施和應用Softmax分類器
- 實現並應用一個雙層神經網路分類器
- 從使用比原始畫素更高階的表示（例如顏色直方圖，梯度直方圖（HOG）功能）中獲得對效能改進的基本瞭解，
> 看看具體如何執行：
Q1：k-最近鄰分類器（20分）
IPython筆記本knn.ipynb將引導您完成kNN分類器。
Q2：培訓一個支援向量機（25分）
IPython Notebook svm.ipynb將引導您實現SVM分類器。
Q3：實施Softmax分類器（20分）
IPython Notebook softmax.ipynb將引導您實施Softmax分類器。
Q4：雙層神經網路（25分）
IPython Notebook two_layer_net.ipynb將引導您完成雙層神經網路分類器的實現。
Q5：高階表示：影象特徵（10分）
IPython Notebook features.ipynb將引導您完成這個練習，在這個練習中，您將檢查使用更高級別表示而不是使用原始畫素值所獲得的改進。
Q6：酷炫的獎勵：做一些額外的！（+10分）
實施，調查或分析本作業中的主題，並使用您開發的程式碼。例如，我們可以問一些其他有趣的問題嗎？有什麼有洞察力的視覺化，你可以技巧？或者，也許你可以嘗試一個旋轉的損失函式？如果你嘗試了一些很酷的東西，我們會給你10個額外的分數，並可能在演講中顯示你的結果。
Assignment #2:
Fully-Connected Nets, Batch Normalization, Dropout, Convolutional Nets
- 瞭解神經網路及其如何安排在分層體系結構中
- 理解並能夠實施（向量化）反向傳播
- 實施用於優化神經網路的各種更新規則
- 實施批量規範化和層規範化以訓練深度網路
- 實施Dropout以規範網路
- 瞭解卷積神經網路的體系結構，並通過訓練這些資料模型來練習
- 獲得TensorFlow或PyTorch等主要深度學習框架的經驗
Q1：Fully-Connected Nets（20分）
IPython筆記本FullyConnectedNets.ipynb將向您介紹我們的模組化層設計，然後使用這些層來實現任意深度的完全連線網路。為了優化這些模型，你將實現幾個流行的更新規則。
Q2：Batch Normalization（30分）
在IPython筆記本中，BatchNormalization.ipynb您將實現批量標準化，並使用它來訓練深度完全連線的網路。
Q3：Dropout（10分）
IPython筆記本Dropout.ipynb將幫助您實現Dropout並探索其對模型泛化的影響。
Q4：Convolutional Nets（30分）
在IPython Notebook中，ConvolutionalNetworks.ipynb您將實現幾個常用於卷積網路的新層。
Q5：CIFAR-10上的PyTorch / TensorFlow（10分）
對於最後一部分，您將使用TensorFlow或PyTorch兩種流行和強大的深度學習框架。你只需要完成這兩個筆記本中的一個。您不需要同時做這兩件事，我們也不會授予那些參與者的額外功勞。
開啟PyTorch.ipynb或者TensorFlow.ipynb，您將瞭解該框架的工作原理，最終在CIFAR-10上培訓自己設計的卷積網路，以獲得最佳效能。
注：PyTorch筆記本需要PyTorch版本0.4，該版本於4/24/2018釋出。您可以按照以下說明使用conda或pip安裝此版本的PyTorch：http://pytorch.org/
Assignment #3:
Image Captioning with Vanilla RNNs, Image Captioning with LSTMs, Network Visualization, Style Transfer, Generative Adversarial Networks