UMich EECS 498-007 / 598-005 深度学习与计算机视觉：一门覆盖 CV 主流模型全发展阶段的实操自学课

UMich EECS 498-007 / 598-005 深度学习与计算机视觉一门覆盖 CV 主流模型全发展阶段的实操自学课【免费下载链接】cs-self-learning计算机自学指南项目地址: https://gitcode.com/GitHub_Trending/cs/cs-self-learning本篇指南围绕本仓库「深度学习」板块中的计算机视觉方向课程 UMich EECS 498-007 / 598-005 展开完整梳理课程的定位、前置要求、六个递进式 Assignment 与 Mini-Project 的实战内容并给出脱离 Autograder 的自学自检方案与课程资源清单。读完你可以判断它是否适合自己、按怎样的顺序推进以及如何仅靠开源材料把这门课完整吃透。课程概况项目内容课程全名EECS 498-007 / 598-005: Deep Learning for Computer Vision所属大学University of MichiganUMich先修要求Python 基础、矩阵论熟悉矩阵求导即可、微积分编程语言Python深度学习框架使用 PyTorch课程难度较高课程指南中标记为四星按五档制衡量预计学时6080 小时资源开放程度Lectures / Notes / Assignments 全部开源可直接自学这是一门典型的「以作业驱动掌握」的课程正如课程指南所强调的你需要在每个 Assignment 中跟随 Handouts 亲手搭建并训练 Lectures 里讲到的模型或框架。课程视频与作业质量高、覆盖主题全Assignment 难度由浅及深恰好贯穿了 CV 主流模型发展的各个阶段是一套非常适合计算机视觉入门乃至进阶的实操训练。值得一提的是这是一门双编号课程EECS 498-007 与 598-005 并存不同编号面向不同层次选课群体但课程内容、讲义与作业资源一致自学者无需区分编号按同一套公开材料推进即可。在自学路线中的位置在本仓库的 CS 学习规划 中深度学习章节先给出了两条快速入门路径面向中文学习者的李宏毅课程 LHY、面向快速建立全局观的 CS230再以 CMU 11-785、MIT 6.7960、NYU DLSP21 作为系统打牢基础的「综合与基础」课程。而在其中的「计算机视觉」小节里本课EECS 498-007被列在第一位紧随其后的是同主题的 Stanford CS231n。因此从仓库给出的路线看这门课的定位非常明确若你已在深度学习综合课程中完成框架与基础网络的训练可以把它当作计算机视觉方向的专项进阶若你完全没有深度学习框架使用经验也可以直接从 A1 开始课程会从零教你 PyTorch它与 CS231n 渊源很深见下文「课程血脉」一节两者选其一或互为参照均可。课程特色为什么这门课适合自学 CV课程指南原话强调了几个核心特点这里逐一展开主题覆盖面广且进度合理从线性分类器、全连接神经网络、CNN 一路走到物体检测、RNN/LSTM、Transformer再到生成模型 VAE/GAN 与风格迁移几乎就是一条「深度学习 计算机视觉」的技术发展时间线。Assignment 递进、主题独立每个 Assignment 对应不同的模型主题你会在连续动手过程中亲身感受 CV 主流模型的演进脉络直观体会「不同的模型结构与训练方法如何影响最终效果 / 准确率」。零框架门槛A1 会从零开始教学 PyTorch 与 Google Colab 的使用你不需要任何深度学习框架经验而前面几个 Assignment 写下的代码在后续学习中完全可以当工具书随时翻阅、反复调用。资源全开源、自检闭环课程涉及的 Lectures、Notes、Assignments 均公开。唯一的限制是 Autograder自动评分器只对 UMich 本校注册学生开放但课程指南明确指出——由于每个 Handout*.ipynb中已给出实现正确性的判定方式与预期结果Autograder 的缺失对自学几乎没有影响。这一点是自学可行性的关键后文「自学策略」会详细说明。教师与课程血脉CS231n 的延续这门课的主讲教授是 Justin Johnson。据课程指南介绍他是 Fei-Fei Li 的博士毕业生课程文档撰写时就任 UMich 助理教授。同样开源流传甚广的 Stanford CS231n 2017 年版本主讲人正是 Justin Johnson而 CS231n 主要由 Justin Johnson 与 Andrej Karpathy 建设因此本课沿用了 CS231n 的部分材料——如果你之前学过 CS231n会在这门课里感到不少内容似曾相识。这一点对选课决策很有参考价值两者同源但 EECS 498-007 的开源版本更新、作业体系更完整可作为 2017 版 CS231n 的现代替代或补充。六个 Assignment 全景图Assignment主题核心动手内容A1工具与环境PyTorch 与 Google Colab 的使用A2神经网络基础实现 Linear Classifier 与两层神经网络在 MNIST 上训练并评估A3卷积神经网络亲手搭建经典的 CNNA4物体检测跟随 Handout 复现两篇论文中的 One-Stage Detector 与 Two-Stage DetectorA5序列与注意力实现两种基于注意力的模型RNNsVanilla RNN 与 LSTM以及 TransformerA6生成模型与可视化实现 VAE 与 GAN应用于 MNIST以及网络可视化、风格迁移Mini-Project综合项目自主搭建一个完整的深度学习 Pipeline逐关拆解A1A6 与 Mini-ProjectA1PyTorch 与 Google ColabA1 是整门课的「入学关」目标是让你熟练使用 PyTorch 与 Google Colab。这一关不要求任何框架基础课程会从零讲解张量的创建与运算、自动求导机制、数据加载等基本操作并带你走通 Colab 上的 Notebook 工作流。自学价值在于A1 完成后你拥有的不仅是环境配置能力更是一份可持续翻阅的「PyTorch 速查手册」——后续 A2A6 每遇到一个 API 用法问题都可以回到这里的基础代码中查找。A2线性分类器、两层神经网络与 MNISTA2 进入真正的模型搭建你需要亲手实现 Linear Classifier 以及一个两层神经网络并首次接触 MNIST 数据集在其上完成神经网络的训练与评估。这一关的收益集中在两点一是理解「从线性模型到非线性神经网络」的跃迁激活函数如何带来表达能力二是建立完整的训练评估闭环——数据加载、前向传播、损失计算、反向传播与参数更新、在测试集上度量准确率。此后所有 Assignment 都是在这个闭环上做模型层面的替换与升级。A3卷积神经网络CNNA3 的主题是计算机视觉领域最具代表性的 CNN。你将亲手实现并训练卷积神经网络体会卷积层如何利用图像的局部性与平移不变性理解卷积核、通道与特征图等核心概念并直观比较 CNN 与 A2 中全连接网络在图像任务上的差异。这是从「通用神经网络」走向「视觉专用架构」的关键一步也是后续物体检测等任务的结构基础。A4物体检测One-Stage 与 Two-Stage DetectorA4 把问题从「图像分类」推进到「物体检测」这一更贴近真实应用的任务。你将实际走通搭建物体检测模型的完整流程并跟随 Handout 复现两篇论文中的检测器One-Stage Detector 与 Two-Stage Detector。两类检测器代表了检测领域两条主要技术路线——Two-Stage 先提候选区域再做精修精度见长One-Stage 直接回归类别与位置速度见长。在同一个 Assignment 里分别实现二者可以最直观地体会「精度与速度权衡」这一工程命题这正是很多入门教程无法提供的对比视角。A5从 CNN 到 RNN 与 TransformerA5 是课程中「模型范式」的一次切换从面向空间结构的 CNN转向处理序列的循环网络与注意力机制。你将搭建两种不同的基于注意力的模型RNNs 家族Vanilla RNN 与 LSTM理解循环结构如何处理时序依赖、以及 LSTM 的门控机制如何缓解长期依赖问题Transformer实现大名鼎鼎的 Transformer 架构体会自注意力如何取代循环结构成为现代序列建模的主流范式。考虑到 Transformer 已是当今大语言模型与多模态模型的基础构件这一关的实际价值远超「图像课」的范畴是你后续接触 NLP、大模型路线可参考 深度生成模型学习路线的直接铺垫。A6VAE、GAN、网络可视化与风格迁移最后一个 Assignment 用两种更「前沿」的模型收尾变分自编码器 VAE 与生成对抗网络 GAN并应用在 MNIST 数据集上。你将亲自体会到生成模型的两种代表性思路——VAE 基于显式概率建模GAN 则通过生成器与判别器的对抗博弈来学习数据分布。此外A6 还包含两个非常酷炫的功能网络可视化观察网络内部学到了什么特征与风格迁移把一张图的风格迁移到另一张图的内容上。前者帮你打开神经网络的「黑盒」后者则是对「特征表示」概念的生动应用。Mini-Project搭建完整的深度学习 Pipeline在六个 Assignment 之外课程还提供 Mini-Project 环节你可以参考课程主页说明自行选题并搭建一个完整的深度学习 Pipeline——从数据准备、模型设计、训练调参到评估与展示全部独立完成。这是把前六个 Assignment 习得的零散技能整合为「端到端项目能力」的机会也是放进个人简历或作品集的最佳素材。无 Autograder 的自学策略以 Handout 为基准Autograder 仅限本校注册学生使用是这门课自学时唯一的「闭环缺口」。但课程指南给出的判断是因为 Handout*.ipynb中已经能确定实现正确性并看到预期结果Autograder 缺失并无实质影响。据此可以整理出适合自学者的推进策略以 Notebook 为唯一进度载体每个 Assignment 以*.ipynb形式发布实现代码、验证逻辑与预期输出都在其中直接在此之上补全代码并运行。以预期结果作为正确性判据跑通 Notebook 后将中间输出与最终指标同 Handout 中的预期结果比对——一致即视为通过无需等待外部评测。遇到阻塞先查前序 AssignmentA1A3 的基础代码本身就是「工具书」调参、评估、数据加载等通用环节可随时回查。把视频课与作业配对推进课程指南特别建议每一位选课同学都去看公开的 YouTube 版 Lectures——Justin Johnson 的授课风格与内容都非常清晰易懂是非常好的参考资料。学时分配建议课程文档给出 6080 小时的总学时。按 6 个 Assignment 1 个 Mini-Project 粗算平均每个 Assignment 约 911 小时含看视频、读讲义与写代码Mini-Project 预留 10 小时以上会更从容。A4 与 A6 涉及复现论文模型或实现两类生成模型通常比 A1、A2 更耗时建议把时间预算向这两个关卡倾斜。课程资源清单根据课程文档可用的核心资源如下均为公开资源可直接在课程主页获取入口课程主页面向 WI2022 学期的官方页面Lectures、Notes、Assignments6 个与 Mini-Project 说明均发布于此是自学的唯一权威来源。课程视频YouTube 上的公开播放列表与 Lectures 配套主讲人讲解清晰推荐系统观看。课程教材官方仅有推荐教材而无指定教材推荐阅读深度学习领域广泛使用的公开教材《Deep Learning》deeplearningbook作为理论补充。社区笔记Michael-Jetson 撰写的二三十万字学习笔记不含作业部分可作为中文参考材料按需查阅。需要再次强调以上资源全部开源配合 Handout 内自带的预期结果自学者可以完全脱离学校账号体系完成整门课这正是本仓库将该课收录进计算机视觉路线的核心理由。与仓库内其他课程的衔接建议按 CS 学习规划 的编排深度学习路线的推荐衔接方式如下入门准备尚未接触过深度学习时可先用 CS230 或中文友好的 LHY 快速建立全局观随后在 CMU 11-785、MIT 6.7960、NYU DLSP21 等综合课程中打牢训练与调参功底。CV 专攻本课EECS 498-007完成后可与 Stanford CS231n 对照学习或补做其 Project两者同源Justin Johnson 曾主讲 2017 版 CS231n学完其一后再看另一门会非常省力。横向延伸A5 的 Transformer 可衔接 CS224nNLP、A6 的 VAE/GAN 可进入 深度生成模型路线把从图像中学到的模型范式迁移到更多模态与任务中去。一言以蔽之EECS 498-007 是「以六个作业串起 CV 深度学习主干」的高性价比选择——如果你愿意投入 6080 小时、动手实现从线性分类器到 GAN 的完整图谱它就是那份可以放心照着做的开源路线图。【免费下载链接】cs-self-learning计算机自学指南项目地址: https://gitcode.com/GitHub_Trending/cs/cs-self-learning创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考