Stanford CS231n «Deep Learning for Computer Vision» — путеводитель
Как устроен курс Stanford CS231n и его знаменитые конспекты (cs231n.github.io): карта модулей, что из них переведено у нас полностью, задания весны 2026 года (kNN и Softmax, BatchNorm и свёрточные сети, трансформеры, диффузия, CLIP и DINO), в каком порядке читать и с какими уроками курса связывать.
CS231n — стэнфордский курс глубокого обучения для компьютерного зрения, который читают с 2015 года. Его конспекты на cs231n.github.io, написанные в основном Андреем Карпатым, — пожалуй, самое известное в мире введение в нейронные сети «с нуля»: от линейного классификатора и ручного обратного распространения до свёрточных сетей. Задания курса — блокноты Colab, в которых вы сами пишете прямой и обратный проход слоёв на NumPy, а затем переходите на PyTorch.
Переведено полностью
Заголовок раздела «Переведено полностью»| Страница | Оригинал | О чём | Урок курса |
|---|---|---|---|
| Линейная классификация | Linear Classification | функция оценок, шаблоны, SVM и Softmax, регуляризация | 2.2.2, 1.3.2 |
| Оптимизация | Optimization: SGD | ландшафт потерь, численный и аналитический градиент, мини-батчи | 1.4.1 |
| Обратное распространение | Backpropagation, Intuitions | цепное правило на схемах, шаблоны add/max/mul, матричные градиенты | 3.2.2 |
| Свёрточные сети, часть 1 | Convolutional Networks (1-я половина) | объёмы, свёрточный слой, шаг, дополнение, разделение параметров, im2col | 3.5.1 |
| Свёрточные сети, часть 2 | Convolutional Networks (2-я половина) | пулинг, FC → CONV, шаблоны архитектур, LeNet…ResNet, память | 3.5.2 |
Карта конспектов
Заголовок раздела «Карта конспектов»Конспекты разбиты на модули (так они перечислены на главной странице сайта). Время чтения — наша оценка.
| Модуль | Конспект | Что внутри | Время |
|---|---|---|---|
| 0. Подготовка | Software Setup; Python / Numpy Tutorial | установка, Colab, основы NumPy | 1–2 ч |
| 1. Нейронные сети | Image Classification | подход на данных, kNN, L1/L2, кросс-валидация | 1 ч |
| Linear Classification | см. перевод выше | 1,5 ч | |
| Optimization | см. перевод выше | 1 ч | |
| Backpropagation | см. перевод выше | 1 ч | |
| Neural Networks Part 1 | модель нейрона, функции активации, архитектуры, выразительная сила | 1 ч | |
| Neural Networks Part 2 | предобработка, инициализация, BatchNorm, регуляризация (L2, dropout), функции потерь | 1,5 ч | |
| Neural Networks Part 3 | проверка градиента, «присмотр» за обучением, момент, Adagrad/RMSprop, подбор гиперпараметров, ансамбли | 2 ч | |
| Minimal Neural Network Case Study | двумерный игрушечный пример от линейного классификатора до двухслойной сети | 1 ч | |
| 2. Свёрточные сети | Convolutional Networks | см. перевод выше (две части) | 2,5 ч |
| Understanding and Visualizing CNNs | t-SNE, деконволюции, градиенты по данным, «обман» сетей | 40 мин | |
| Transfer Learning | когда и как дообучать предобученные сети | 30 мин | |
| Дополнительно | RNN, Attention, Transformers | рекуррентные сети, внимание, трансформеры для зрения | 2 ч |
| Generative Models / Generative Modeling, PixelRNN, NeRF, Adversarial attacks | генеративные модели, нейронные поля излучения, состязательные атаки | 3 ч |
Подходящие уроки нашего курса: нейроны и MLP — 3.1.1, инициализация и нормализация — 3.4.1, остаточные связи и dropout — 3.4.2, оптимизаторы — 1.4.2, внимание — 4.4.1, диффузия — 9.1.2, CLIP и зрение с языком — 9.1.1.
Задания весны 2026 года
Заголовок раздела «Задания весны 2026 года»Задания — блокноты Colab; в репозитории лежат их описания и архивы со стартовым кодом. Сроки — по тихоокеанскому времени.
| Задание | Срок | Что делаете | Урок курса |
|---|---|---|---|
| 1 | 16 апреля 2026 | kNN; классификатор Softmax; двухслойная сеть; признаки HOG и цветовые гистограммы вместо пикселей; полносвязная сеть | 2.3.1, 3.1.2 |
| 2 | 8 мая 2026 | BatchNorm и LayerNorm; Dropout; свёрточные слои вручную; свёрточная сеть на PyTorch для CIFAR-10; подписи к изображениям с простой RNN на COCO | 3.4.1, 3.5.1 |
| 3 | 28 мая 2026 | Подписи к изображениям трансформером; самообучение (self-supervised) для классификации; диффузионные модели DDPM; CLIP и DINO | 4.5.1, 9.1.2 |
Общая схема каждого задания: открыть блокноты в Colab (авторы просят переключить версию среды выполнения на
указанную в описании, чтобы редактирование файлов работало), выполнить все блокноты, кроме collect_submission.ipynb,
затем запустить его и отправить архив и PDF в Gradescope. Для задания 3 появился requirements.txt для локального
запуска, хотя официально поддерживается только Colab.
Как проходить вместе с нашим курсом
Заголовок раздела «Как проходить вместе с нашим курсом»-
После урока 2.2.2 (логистическая регрессия) прочитайте линейную классификацию: те же идеи, но для 10 классов и картинок, плюс SVM для сравнения.
-
После уроков 1.4.1 и 1.2.2 (градиентный спуск и цепное правило) — оптимизацию и обратное распространение. Сразу после — micrograd (модуль 3.2): это та же схема «вентилей», только в коде.
-
Задание 1 — хорошая проверка: векторизованные SVM/Softmax и двухслойная сеть на NumPy без автоматического дифференцирования.
-
Модуль 3.5 (компьютерное зрение) — свёрточные сети, часть 1 и часть 2, затем задание 2.
-
Дальше — дополнительные конспекты про RNN и трансформеры и задание 3, которое уже ведёт к темам ступени 9 (диффузия, CLIP).
Что не переведено и почему
Заголовок раздела «Что не переведено и почему»- Слайды и видео лекций (cs231n.stanford.edu, YouTube) — без открытой лицензии; к тому же сайт курса недоступен из нашей среды, поэтому расписание лекций 2026 года мы не пересказываем.
- Остальные конспекты (Neural Networks 1–3, Image Classification, RNN, генеративные модели и др.) — лицензия позволяет перевод, но в этот раз мы выбрали четыре ключевые темы из задания. Если нужны остальные — это следующий кандидат на перевод.
- Блокноты заданий — стартовый код в архивах; условия сводятся к инструкциям внутри блокнотов, их мы только описали выше.
Словарик
Заголовок раздела «Словарик»| EN | RU |
|---|---|
| course notes | конспекты курса |
| assignment, starter code | задание, стартовый код |
| self-supervised learning | самообучение (обучение без разметки) |
| image captioning | генерация подписей к изображениям |
| DDPM | диффузионная вероятностная модель с шумоподавлением |