深度学习课程

此仓库为2023年秋季学期所讲授的深度学习课程提供补充材料。如需查看上一届课程内容，请访问spring分支。

每周的讲课和实践材料均位于./week*文件夹中。您可以选择在本地或Google Colab中完成所有作业（详情请参阅各周文件夹中的README文件）。

课程基本信息

• Telegram 聊天室（俄语）。
• 截止日期及评分规则请参见此页面。
• 如有任何技术问题、建议、课程材料中的错误，或希望贡献代码，请提交issue或在聊天室中提问。

课程大纲

• week01 深度学习导论

  • 讲课：深度学习简介、反向传播算法、自适应优化方法
  • 研讨课：用NumPy实现神经网络
  • 作业1已发布！
  • 请开始准备安装PyTorch。下周将需要用到它！

• week02 深度学习技巧综述

  • 讲课：深度学习作为一种“语言”、Dropout、批归一化与层归一化、其他技巧、深度学习框架
  • 作业2已发布！
  • 研讨课：PyTorch基础

• week03 卷积神经网络

  • 讲课：计算机视觉任务、卷积层与池化层、卷积网络架构、数据增强
  • 研讨课：训练你的第一个卷积网络

（待更新）

贡献者及课程团队

课程材料由以下人员编写：

• Victor Lempitsky - 主线课程视频（第1至11讲）
• Victor Yurchenko - 导论笔记本及行政事务
• Vadim Lebedev - 笔记本及行政事务
• Dmitry Ulyanov - 生成模型与自编码器相关笔记本
• Fedor Ratnikov - PyTorch与NLP相关笔记本，以及一节额外讲座
• Oleg Vasilev - 笔记本及技术问题解决
• Arseniy Ashukha - 图像字幕生成相关材料
• Mikhail Khalman - 变分自编码器相关材料
• 此外，许多学生和志愿者修复了错误并改进了课程材料，详情请参阅PR作者信息。

Practical_DL 快速上手指南

Practical_DL 是 Яндекс数据学院（Yandex Data School）开源的深度学习实战课程，涵盖从基础原理到卷积神经网络（CNN）的完整内容。本课程基于 PyTorch 框架，适合希望系统学习深度学习并动手实践的中国开发者。

环境准备

• 操作系统：Linux, macOS 或 Windows (推荐 WSL2)
• Python 版本：建议 Python 3.8 及以上
• 核心依赖：
  • PyTorch：课程主要使用的深度学习框架。
  • NumPy：用于第一周的基础练习。
  • Jupyter Notebook / JupyterLab：用于运行课程提供的 .ipynb 笔记文件。
• 运行方式：
  • 本地运行：需自行配置上述环境。
  • 云端运行：支持直接在 Google Colab 中打开每周文件夹内的笔记文件运行，无需本地安装重型依赖。

安装步骤

1. 克隆项目代码

将仓库克隆到本地：

git clone https://github.com/yandexdataschool/Practical_DL.git
cd Practical_DL

2. 安装 PyTorch (关键步骤)

课程第二周开始强依赖 PyTorch。请根据您的硬件环境（是否有 NVIDIA GPU）选择安装命令。

推荐使用国内镜像源加速安装：

• CPU 版本 (无显卡或仅用于调试)

  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu -i https://pypi.tuna.tsinghua.edu.cn/simple
  

• GPU 版本 (NVIDIA 显卡，以 CUDA 11.8 为例)

  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple
  

  (注：如需其他 CUDA 版本，请访问 PyTorch 官网获取对应命令)

3. 安装其他依赖

进入具体周次的文件夹（例如 week01 或 week02），查看该目录下的 requirements.txt 并安装：

cd week01
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

(重复此步骤进入后续每周的文件夹安装对应依赖)

基本使用

课程内容按周组织，每周包含讲座（Lecture）、研讨课（Seminar）和作业（Homework）。

启动学习

1. 浏览大纲：根目录下的 README.md 列出了每周主题。
   • week01：深度学习入门、反向传播、NumPy 实现神经网络。
   • week02：深度学习技巧（Dropout, BatchNorm）、PyTorch 基础。
   • week03：卷积神经网络（CNN）、数据增强。
2. 运行笔记： 进入对应周次目录，启动 Jupyter 服务：

   cd week01
   jupyter notebook
   

   在浏览器中打开对应的 .ipynb 文件（通常名为 seminar.ipynb 或 homework.ipynb），按照单元格顺序依次执行代码即可完成练习。

提交作业与反馈

• 作业截止与评分：请参考项目 Wiki 页面了解具体规则。
• 技术交流：遇到问题可前往 GitHub Issues 区提问，或参考课程提供的 Telegram 群组（主要为俄语交流）。
• 贡献代码：发现课程材料中的 Bug 或有改进建议，欢迎提交 Pull Request。