第一讲 | 用于视觉识别的卷积神经网络介绍

Lecture 1 | Introduction to Convolutional Neural Networks for Visual Recognition

频道:Stanford University School of Engineering · 时长:57:56 · 发布:2017-08-11 · 播放:2870589

在 YouTube 观看

简介

斯坦福大学 CS231n 课程的第一讲,关于用于视觉识别的卷积神经网络。它概述了计算机视觉的历史和关键挑战,从寒武纪大爆发和 Hubel 与 Wiesel 到 ImageNet。

HN 为什么推荐

HN 推荐 CS231n 讲座作为自学深度学习的扎实应用课程。

斯坦福的课程相当不错。 — HN, 2018

机器学习与深度学习 · 计算机视觉、语音与 NLP · 大学讲座与课程

中文字幕节选

- 欢迎大家来到CS231n。 我非常兴奋能第三次开设这门课。 似乎每次我们开设这门课 它都呈指数级增长,与世界上的大多数事物不同。 这是我们第三次教授这门课。 第一次我们有150名学生。 去年,我们有350名学生,所以翻了一番。 今年又翻了一番,今天早上我查看时大约有730名学生。 所以对于无法进入讲堂的人,我表示歉意。 但是,视频将在约两小时内上传到SCPD网站。 所以如果你今天没能来, 你仍然可以在几个小时内查看。 这门课CS231n实际上是关于计算机视觉的。 那么,什么是计算机视觉? 计算机视觉实际上是对视觉数据的研究。 既然有这么多人注册这门课, 我想我可能不需要说服你这是一个重要的问题, 但我还是要尝试这样做。 我们世界中的视觉数据量真的爆炸到了荒谬的程度 在过去几年里。 而这很大程度上是由于世界上大量的传感器。 可能我们在这个房间的大多数人都随身携带智能手机, 每部智能手机上有一个、两个,甚至可能三个摄像头。 所以我认为平均而言,世界上的摄像头甚至比人还多。 由于所有这些传感器,每天世界上产生的视觉数据量 简直是疯狂地庞大。 所以我非常喜欢的一个统计数据, 可以把这个放在背景下,是2015年CISCO的一项研究,估计到2017年 也就是我们现在所处的时间,大约80% 互联网上的所有流量将是视频。 这甚至还不包括网络上的所有图像和其他类型的视觉数据。 但仅从纯比特数的角度来看, 互联网上流动的大部分比特实际上是视觉数据。 所以开发能够利用和理解这些数据的算法 真的至关重要。 然而,视觉数据有一个问题, 那就是它真的很难理解。 有时我们称视觉数据为互联网的暗物质, 类比物理学中的暗物质。 所以对于那些在物理学中听说过这个的人 之前,暗物质占据了宇宙中惊人地大 的质量比例,我们通过存在 对各种天体的引力拉扯 等等知道它,但我们无法直接观察它。 互联网上的视觉数据也大致相同, 它构成了互联网上流动的大部分比特, 但算法很难 真正去理解 并看清网络上所有视觉数据究竟由什么组成。 我喜欢的另一个统计数据是关于Youtube的。 所以世界上每过一秒的时钟时间, 就有大约五个小时 的视频被上传到Youtube。 所以如果我们只是坐在这里数,一、二、三,现在又有15个小时 的视频在Youtube上。谷歌有很多员工,但不可能 他们能让一个员工坐下来 观看、理解并注释每个视频。 所以如果他们想要编目并为你提供 相关视频,也许通过在这些视频上放广告来盈利, 我们开发就真的至关重要 能够深入并自动理解 视觉数据内容的技术。 所以计算机视觉这个领域真正是一个跨学科领域,它触及 科学、工程和技术的许多不同领域。 显然,计算机视觉是宇宙的中心, 但就像围绕计算机视觉的 一个星座一样,我们触及物理学等领域, 因为我们需要理解光学和图像形成 以及图像实际上是如何物理形成的。 我们需要理解生物学和心理学,

HN 上的讨论

为了学习?主要是观看和反复观看 Karpathy 的“Zero To Hero”[1] 和斯坦福的“Introduction to Convolutional Neural Networks for Visual Recognition”[2],还有很多从头构建 transformers 的视频,比如 Umar Jamali 的视频[3],我也逆向研究到 McCulloch 和 Pitts。阅读 30 篇论文 [LINK] 等等。当然还有 Yannic Kilcher[4],也听他们在 discord 上的论文讨论。大量练习手动进行反向传播和手工制作玩具模型来获得信号流的直觉,并构建各种小型系统,例如,你能把 whisper、小型 qwen3 和 kokoro 推到多远来控制你的电脑用语音?人们认为 deepseek/mistral/meta 等正在民主化 AI,但实际上是 Karpat… — jackdoe, 2025-06
斯坦福的课程相当不错。[VIDEO] 如果想要更快速且不那么应用导向的内容,也许可以看看 3b1b 的神经网络系列:[LINK] — dahart, 2018-04
参见 cs231n 2017 的第 15 讲:[VIDEO] 此外,虽然所有这些技巧都很惊人,但它们目前对 FAANG 和财富 500 强中可替换的数据科学家来说用处不大,因为它们还没有以无脑/自动化的方式被添加到任何主流框架中。而且,如果这些技术像 FP16/32 混合精度那样流行起来,它们距离普遍可用可能只差一代 GPU。话虽如此,Xilinx 收购 DeePhi 应该是一个足够强烈的信号,表明应该将它们加入上述框架,不是吗?[LINK] 最后,我的直觉(基于我越来越强大的 Android 手机随时间单调下降的语音识别质量,以及它现在犯的奇怪拼写错误,例如“tech kneeq”就是一个例子)是,人们无法仅凭单一指标来评价这些技术的质量,而将它们强加给用户的决定似乎可能基于一个指标。#ItsAdversariesAllTheWayDown — varelse, 2018-07

相关视频