UMich EECS 498-007 / 598-005:Deep Learning for Computer Vision

CSdiy课程介绍¶

• UMich 的 Computer Vision 课，课程视频和作业质量极高，涵盖的主题非常全，同时 Assignments 的难度由浅及深，覆盖了 CV 主流模型发展的全阶段，是一门非常好的 Computer Vision 入门课。

课程进度（2025.11.17）¶

• 目前RNN刚开一个头，但打算放置一段时间，过段时间再继续学习
• 课程练习完成了 Assignment1,2,3
• A1学习了Pytorch的基本用法
• A2搭建了Linear Classifier以及一个TwoLayernet
• A3实现了CNN(涵盖了很多tricks，比如dropout, batchnormalization, kaiming initialization etc.)
• 剩下A4,A5,A6

课程感受¶

• 需要一定微积分、概率论、线性代数基础，但不会特别深入，用到很多都是矩阵向量偏导，刚开始可能抽象思维一下想不出来，习惯了就容易了。点名CNN的forward以及backward。
• Prof. Justin Johnson 授课风格还是很鲜明的，讲课很幽默，并且讲的通俗易懂。
• 课程沿用了一些Stanford CS231N的一些材料，但是比CS231N更为深入一些，可以当做上位替代，通过学习能很好掌握Deep Learning以及Computer Vision的基础知识。
• 课程Lab量大管饱，具有挑战性。每次听课我感觉我都听懂了，动手实现却还是有点难度。要习惯向量化编程，尤其是向量运算维度的问题，我自己开始写经常出现这样或者那样维度不匹配的报错，就得回过头仔细检查前面处理的过程。还有熟悉Pytorch的向量运算方法，很多函数可以直接进行向量运算而不用使用循环，向量化编程可以省下很多running time。
• 后面的知识还得我抽整块时间学习效果更好啊，现在时间太碎了。