CS231n · 面向计算机视觉的深度学习

这门课讲什么

斯坦福面向计算机视觉的深度学习课，CV 方向的标杆。从图像分类、线性分类器讲到反向传播、卷积神经网络、训练技巧、可视化与迁移学习。它的讲义（cs231n.github.io）本身就是被广泛引用的经典学习材料。

为什么重要

反向传播和 CNN 这两块，CS231n 讲得既深又清楚，值得精读。即使你最终不做视觉方向，这门课对”神经网络到底怎么训练”的打磨，也会迁移到其他领域。

怎么学不踩坑

和 CS224N 二选一：想做视觉、想把反向传播与 CNN 吃透，选这门；想理解大模型，选 CS224N。作业（assignment）要求从零实现，难度不小——这正是它的价值所在，别跳过，但允许自己查资料、对照参考实现。

学到什么程度算过关

能从零实现一个简单 CNN 的前向与反向传播，并在一个图像数据集上训练出合理准确率。

高频英文术语

读 cs231n.github.io 讲义和写 assignment 时，这些词绕不开：

• Convolution 卷积 —— 用小窗口扫过图像提取局部特征的核心运算。
• Kernel / Filter 卷积核 / 滤波器 —— 卷积里那组可学习的权重。
• Feature Map 特征图 —— 卷积输出的中间表示。
• Stride 步幅 —— 卷积核每次滑动的步长。
• Padding 填充 —— 在图像边缘补零以控制输出尺寸。
• Pooling 池化 —— 下采样、压缩特征图（最大/平均池化）。
• ReLU 修正线性单元 —— 最常用的激活函数。
• Softmax 归一化指数 —— 把分数转成类别概率分布。
• Backpropagation 反向传播 —— 逐层回传误差算梯度，这门课的重头戏。
• Transfer Learning 迁移学习 —— 拿预训练模型在新任务上微调。
• Data Augmentation 数据增强 —— 翻转/裁剪等扩充训练数据。
• Convolutional Neural Network (CNN) 卷积神经网络 —— 计算机视觉的主力结构。