CS231n 视觉识别中的卷积神经网络

斯坦福 CS231n 课程的作业代码实践，代码实现主要参考了 lightaime/cs231n。

• 教程笔记 cs231n.github.io
• 课程主页 斯坦福 CS231n
• 进度安排 课程大纲

上述网页有时不太稳定，可能需要翻墙才能访问。

下载课程作业源代码：作业 #1、作业 #2 和 作业 #3。

网上有很多资料，包括中文翻译、课程视频等，例如 这篇博客，但个人认为，完成作业代码后的收获更大。

我的 CSDN 博客笔记：CS231n 课程作业

---

注：我做的这个是 2016 年的作业，内容略旧，仅供参考。

CS231n 快速上手指南

本指南基于斯坦福 CS231n 课程（卷积神经网络视觉识别）的开源作业代码，旨在帮助开发者通过实战掌握深度学习核心概念。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu)、macOS 或 Windows (需配合 WSL 使用)
• Python 版本：Python 3.6+ (原作业基于 Python 2.7/3.5，建议使用 Python 3 并适配代码)
• 前置依赖：
  • numpy：数值计算
  • matplotlib：绘图与可视化
  • jupyter notebook：交互式运行作业文件
  • future：用于 Python 2/3 兼容性（如需要）

提示：国内用户推荐使用清华或阿里镜像源加速安装，避免网络超时。

安装步骤

1. 克隆项目代码 由于原仓库可能更新不及时，建议参考社区维护版本或直接下载官方作业包。

   git clone https://github.com/lightaime/cs231n.git
   cd cs231n
   

   或者手动下载官方作业压缩包并解压：

   # 示例：下载 Assignment 1 (请替换为实际需要的作业链接)
   wget http://cs231n.stanford.edu/assignments/2016/winter1516_assignment1.zip
   unzip winter1516_assignment1.zip
   cd assignment1
   

2. 安装依赖库 使用国内镜像源快速安装所需 Python 包：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   若项目中无 requirements.txt，可手动安装核心依赖：

   pip install numpy matplotlib jupyter future -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 获取数据集 进入作业目录后，运行提供的脚本下载 CIFAR-10 数据集：

   cd cs231n/datasets
   ./get_datasets.sh
   

   注：若脚本下载失败（因网络限制），可手动从 CIFAR-10 官网 下载 cifar-10-python.tar.gz 并放入该目录解压。

基本使用

完成环境配置后，即可开始交互式学习：

1. 启动 Jupyter Notebook 在作业根目录下运行：

   jupyter notebook
   

2. 打开作业文件 浏览器将自动打开界面，选择对应的 .ipynb 文件（例如 assignment1/knn.ipynb）。

3. 运行代码单元格

   • 按顺序执行代码块（Shift + Enter）。
   • 根据注释提示填充缺失的代码函数（通常标记为 TODO）。
   • 观察输出结果和可视化图表，验证算法实现是否正确。

最简单的验证示例（以 KNN 分类器为例）： 在 knn.ipynb 中，完成 compute_distances_two_loops 函数后，运行下方测试代码：

distances_two_loops = classifier.compute_distances_two_loops(X_test)
print('Difference between two loops and no loops: %f' % np.linalg.norm(distances_two_loops - distances_no_loops))

若输出差异值接近 0.000000，则表明实现正确。