來源：AI科技評論

本文長度為2400字，建議閱讀4分鐘

本文為你介紹最近上線的李飛飛的CS231n2017課程中文版。

CS231n 2017雙語字幕版上線！正式開課！距離斯坦福計算機視覺課程結束5個月，2017春季CS231n中文版終于上線了，課程中文版已經在AI慕課學院（mooc.ai?）發布，11月10日正式開課，預計持續12周！

無法科學上網看到原視頻的、以及對英文生肉表示壓力山大的同學，現在可以在國內看到完整流暢的中文版視頻了。中文版課程鏈接：

http://www.mooc.ai/course/268??

瀏覽器輸入鏈接或點擊文末“閱讀原文”即可看到~

我們先來介紹一下，CS231n

CS231n的全稱是CS231n:?Convolutional Neural Networks for Visual Recognition，即面向視覺識別的卷積神經網絡。

該課程是斯坦福大學計算機視覺實驗室推出的課程。需要注意的是，我們這次翻譯的是2017春季（4月至6月）的最新版本。

部分雙語字幕版視頻截圖：

lecture1 計算機視覺概述視頻截圖

lecture1 計算機視覺概述視頻截圖

lecture1 李飛飛介紹計算機視覺歷史背景視頻截圖

任課導師

導師和去年一樣，還是由李飛飛教授和他的兩個博士生Justin Johnson和Serena Yeung領銜教授。

課程描述

引用課程主頁上的官方課程描述如下：

計算機視覺已經在我們的社會中無處不在，并廣泛運用在搜索、圖像理解、應用程序、測繪、醫藥、無人機和自動駕駛汽車等領域。這些應用程序的核心技術是視覺識別任務，如圖像分類、圖像定位和圖像檢測。近期，神經網絡（又名“深度學習”）方法上的進展極大地提高了這些代表最先進水平的視覺識別系統性能。

本課程深入探討深度學習架構的細節問題，重點學習視覺識別任務（尤其是圖像分類任務）的端到端學習模型。在為期10周的課程中，學生將學習如何實現、訓練和調試自己的神經網絡，并建立起對計算機視覺領域前沿研究方向的詳細理解。最后的任務將涉及訓練一個有數百萬參數卷積神經網絡，并將其應用于最大的圖像分類數據庫（ImageNet）上。

我們將著重教授如何設置圖像識別問題，學習算法（例如反向傳播），用于訓練和微調（fine-tuning）網絡的工程實踐技巧，引導學生完成實踐作業和最終課程項目。本課程的大部分背景知識和素材都來源于ImageNet Challenge競賽。

課程內容

2017 春季CS231n包括 PPT 和視頻在內的所有教學資料都已開放。雷鋒字幕組將為大家提供相應的資源和中文視頻。

通過查看官方課程表，我們可以看到CS231n課程資源主要由授課視頻與PPT，客座講座，授課知識詳解筆記，課程作業，課程項目五部分組成。其中：

• 授課視頻14課。每節課時約1小時左右，每節課一份PPT。

• 客座講座2課。每節講座約1小時30分左右。

• 授課知識詳解筆記共16份。

• 課程作業3次。

• 課程項目1個。

• 拓展閱讀若干。

為了方便大家交流，專門開辟了社區供大家交流。在社區中，目前支持大家提問/回答，以及發布文章，可以插入圖片、視頻、超鏈接、代碼塊、公式編輯器，歡迎大家在社區中進行更多形式的交流~

社區地址：mooc.ai/bbs?

請大家在學習過程中多做學習筆記，不僅僅是記錄課堂知識，更是結合自己的思考和理解，這樣可以理解更加透徹，更利于知識內化。歡迎大家把學習筆記發布在mooc.ai/bbs 的博客區！

課程大綱

第一講：課程簡介

• 計算機視覺概述

• 歷史回顧

• 課程邏輯順序

第二講：圖像分類

• 數據驅動方法

• K最近鄰算法

• 線性分類I

第三講：損失函數和優化

• 線性分類II

• 進階模型表示與圖像特征

• 優化，隨機梯度下降

第四講：介紹神經網絡

• 反向傳播算法

• 多層感知器

• 神經學觀點

第五講：卷積神經網絡

• 歷史

• 卷積和池化

• 視覺之外的卷積神經網絡

第六講：訓練神經網絡，第一部分

• 激活函數

• 初始化

• 信號丟失

• 小批量正則化

第七講：訓練神經網絡，第二部分

• 更新原則

• 集成

• 數據增強

• 遷移學習

第八講：深度學習軟件

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

第九講：卷積神經網絡架構

AlexNet, VGG, GoogLeNet, ResNet 等等

第十講：遞歸神經網絡

• RNN,LSTM,GRU

• 自然語言模型

• 圖像字幕，視覺問題回答，軟性關注

第十一講：檢測與分割

• 語義分割

• 目標檢測

• 實例分割

第十二講：可視化和理解

• 表征可視化

• 對抗實例

• DeepDream和風格遷移

第十三講：生成模型

• Pixel RNN/CNN

• 自編碼器

• 生成對抗網絡

第十四講：深度增強學習

• 方法梯度，硬性關注

• Q-學習，評價器

第十五講：Song Han、Ian Goodfellow 教授客座講授

第十六講：學生討論，推導

課程內容評價

我們都覺得超級棒！CS231n是非常好的入門材料，也是計算機視覺和深度學習領域最經典的課程之一，這門課適合絕大多數想要學習深度學習知識的人。希望這次翻譯能夠幫助到，不喜歡看英文生肉視頻的你們！下面是雷鋒字幕組譯者們對該課程的走心評價：

@李石羽：CS231n這門課我以前斷斷續續看過一些，覺得講的還是很好的，尤其是在入門和進階階段。我本身專業也相關，所以做翻譯的時候也是盡量去理解老師要講什么再去翻，爭取能方便大家理解。

@Jackie：CS231N這門課是入門神經網絡很好的課程,內容簡單易懂,特別適合沒有基礎的同學.課程比較系統的簡紹了神經網絡的常用方法,尤其是重要概念的介紹比較詳細生動,例如梯度下降法,BP法等。

@姜波：從課程內容上來說，由淺到深蠻不錯的，尤其是計算機視覺與深度學習結合的點非常好。

@熊浪濤：這門課大家都知道啊，講的很全面，尤其是DL在CV方向上。翻譯也是進一步學習課程的很好的方法，還有就是也能幫助大家，可以放2倍速看視頻了。翻譯也是一件很有意思的事情，對中文和英文學習都有幫助。單就這門課程來說，搞這個的算是家喻戶曉吧。我是看完Deep Learning那本書，然后再來看這個視頻，看看別人怎么思考這些問題的。

@王青松：我已經看過16年的這門課，17年的說實話，還沒有完整看過，這門課很好，可以了解很多當下前沿內容，工業應用，從中可以發現一些我可以去結合的地方。

@程煒：因為專門針對視覺識別，在這方面可以比較深入，針對性較強。而且有對課程作業的講解，有學有練。課程更新快。適合想要深度學習入門的童鞋。

@安妍：覺得課程還是非常好的，而且對一些硬性的基礎要求并不是非常高，而且能更近距離接觸到全球的AI領域大牛的前輩，能夠聽取到他們的言論，是工作和職業所不能帶給我的。

總結

以上是生活随笔為你收集整理的李飞飞CS231n2017课程双语字幕版上线 !（附课程链接）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。