cs231n 课程代码及说明 python3.x和python2.x的版本（每次更新完成的作业）

神经网络

1. 知乎翻译笔记

2. 作业介绍tricks 重要

3. Youtube视频地址

4. 网易云中文字幕视频地址

5. cs231n每年的ppt链接地址

6. 2017视频英文地址

7. 斯坦福CS231n学习笔记:博客

8. cs231n 课程作业 Assignment 123---CSDN博客

1.python2.x版本

代码、课程

2.python3.x版本

这个是2017年斯坦福大学新补上的，哈哈，好爽！
官网链接 只看 2017 Spring个人GitHub

3.课程大纲

Spring 2017 Assignments

Assignment #1:

Image Classification，kNN, SVM, Softmax, Neural Network

• 了解基本的图像分类流程和数据驱动的方法（训练/预测阶段）
• 理解train / val / test splitting和使用验证数据进行超参数调整。
• 培养熟练使用numpy 编写高效的矢量化代码
• 实现并应用k-最近邻（kNN）分类器
• 实现并应用多类支持向量机（SVM）分类器
• 实施和应用Softmax分类器
• 实现并应用一个双层神经网络分类器
• 从使用比原始像素更高级的表示（例如颜色直方图，梯度直方图（HOG）功能）中获得对性能改进的基本了解，

> 看看具体如何执行：

Q1：k-最近邻分类器（20分）
IPython笔记本knn.ipynb将引导您完成kNN分类器。

Q2：培训一个支持向量机（25分）
IPython Notebook svm.ipynb将引导您实现SVM分类器。

Q3：实施Softmax分类器（20分）
IPython Notebook softmax.ipynb将引导您实施Softmax分类器。

Q4：双层神经网络（25分）
IPython Notebook two_layer_net.ipynb将引导您完成双层神经网络分类器的实现。

Q5：高级表示：图像特征（10分）
IPython Notebook features.ipynb将引导您完成这个练习，在这个练习中，您将检查使用更高级别表示而不是使用原始像素值所获得的改进。

Q6：酷炫的奖励：做一些额外的！（+10分）
实施，调查或分析本作业中的主题，并使用您开发的代码。例如，我们可以问一些其他有趣的问题吗？有什么有洞察力的可视化，你可以技巧？或者，也许你可以尝试一个旋转的损失函数？如果你尝试了一些很酷的东西，我们会给你10个额外的分数，并可能在演讲中显示你的结果。

Assignment #2:

Fully-Connected Nets, Batch Normalization, Dropout, Convolutional Nets

• 了解神经网络及其如何安排在分层体系结构中
• 理解并能够实施（矢量化）反向传播
• 实施用于优化神经网络的各种更新规则
• 实施批量规范化和层规范化以训练深度网络
• 实施Dropout以规范网络
• 了解卷积神经网络的体系结构，并通过训练这些数据模型来练习
• 获得TensorFlow或PyTorch等主要深度学习框架的经验

Q1：Fully-Connected Nets（20分）
IPython笔记本FullyConnectedNets.ipynb将向您介绍我们的模块化层设计，然后使用这些层来实现任意深度的完全连接网络。为了优化这些模型，你将实现几个流行的更新规则。

Q2：Batch Normalization（30分）
在IPython笔记本中，BatchNormalization.ipynb您将实现批量标准化，并使用它来训练深度完全连接的网络。

Q3：Dropout（10分）
IPython笔记本Dropout.ipynb将帮助您实现Dropout并探索其对模型泛化的影响。

Q4：Convolutional Nets（30分）
在IPython Notebook中，ConvolutionalNetworks.ipynb您将实现几个常用于卷积网络的新层。

Q5：CIFAR-10上的PyTorch / TensorFlow（10分）
对于最后一部分，您将使用TensorFlow或PyTorch两种流行和强大的深度学习框架。你只需要完成这两个笔记本中的一个。您不需要同时做这两件事，我们也不会授予那些参与者的额外功劳。

打开PyTorch.ipynb或者TensorFlow.ipynb，您将了解该框架的工作原理，最终在CIFAR-10上培训自己设计的卷积网络，以获得最佳性能。

注：PyTorch笔记本需要PyTorch版本0.4，该版本于4/24/2018发布。您可以按照以下说明使用conda或pip安装此版本的PyTorch：http://pytorch.org/

Assignment #3:

Image Captioning with Vanilla RNNs, Image Captioning with LSTMs, Network Visualization, Style Transfer, Generative Adversarial Networks