选课类别:通识 | 教学类型:理论课 |
课程类别:核心通识 | 开课单位:信息科学技术学院 |
课程层次:通修 | 学分:2.0 |
《Python与深度学习基础》主要介绍Python语法与深度学习框架的实现,更侧重于代码实战。课程分为三部分,由三位老师分别讲授:张越一老师讲解Python基本语法及进阶应用;熊志伟老师讲解神经网络理论和卷积神经网络算法;郑歆慰老师讲解深度学习的框架,主要是PyTorch,以及强化学习和分布式学习的内容。最后一节课由助教进行作业分析和代码实战经验分享。
课程有三次作业: 1. Python应用:设计一个与网络相关的软件,涉及网络爬虫和图形化界面。 2. 深度学习基础:训练ResNet网络进行图像分类,数据集为Tiny-imagenet。 3. 深度学习实战:复现近期发表的论文,需要选择合适的论文进行复现,难度较高。
作业消耗时间较多,特别是最后的大作业。老师鼓励单独完成作业,第三次作业最多两人组队。课程提供了科大的远程GPU服务器(bitahub.com)供学生使用,但也有学生反映bitahub使用体验不佳。
总体来说,给分较好,只要按时高质量完成作业,成绩通常会较高。优秀率存在限制,相关专业的学生可能具有优势。
老师们讲授内容系统、详细且有实战指导,张越一老师的讲解风趣生动。助教团队也非常认真,提供了大量支持和反馈。
课程适合有志于Python编程和深度学习实战的同学,尤其是未来可能从事相关研究的学生。对于仅有理论兴趣或时间有限的同学,建议谨慎选课。
2022春这门课的大致安排和前两年的区别不大,这里(2019年的课程链接)也有其他同学的点评,主要介绍python语法与深度学习框架的实现,更侧重于代码实战层面。
今年的三次作业内容与以往略有不同,可供参考:
总之,这门课程是一个很好的python与深度学习实战练手的机会,给分也特别好,我三次作业都按时完成效果也不错,给了4.3。作为之后也要做计算机视觉CV方向的准研究生,这门课也让我学习到了很多实战方面的知识。希望明年选课的同学知道了作业后能在评论区踹我一脚,到时候如果明年作业和今年作业不一样的话,我可以把我今年做的作业开源给大家参考参考,给想研究深度学习的同学提供力所能及的帮助😊
挺惊艳的一点就是对传统算法也有介绍,不像某些网上的课上来就搭个网络哐哐硬造。 最后一个大作业对复现的论文有时效要求,真得靠点运气,21年以后不是大模型的东西真的是沧海一粟,找了许久才发现个魔改的gan音乐生产。 顺带吐槽一下,bitahub真的难用,gpu占用率长期是0,2张3090跑的还没我本地cpu快。
感谢这门课让我认清我喜欢的只有理论而不是训模型,想学点理论基础知识来选课结果一无所获,编程作业倒是不少,两次实验一次大作业,真的合理吗,21号截止还没完成,快死了
本课程适合 没有接触过python但有大量时间的 同学选修
也比较适合旁听(从python到深度学习的基础知识都会讲)
一共三次课程作业,本学期给所有同学开放了bitahub,训练可以在bitahub上训练,所以不用担心自己电脑的算力跟不上。
以及作为非常迷惑的人文学院专业选修课
刚开始花的时间会非常多,第一次大作业主要是自己设计一个小功能,网上现有的框架比较多;第二次作业比较困难;但最后一次大作业(复现论文)DDL会基本靠近暑假的日子,有充足的时间磨洋工(bushi)。
张越一老师讲课比较风趣,不过如果你这个学期没啥空还是不建议选。
原因如下:
1. 作业非常消耗时间
三次大作业,虽然最后一次作业ddl是在7.8,但复现论文也让没有任何相关基础的人无从下手,可能甚至不知道如何选合适的论文(个人建议可以去csdn或知乎上看看有无其他人复现论文的笔记,作为自己复现时的参考)。
2. 优秀率限制,相关专业同学在获得优秀方面有巨大优势
由于是公选课,所以这门课有各个专业的同学来选课。个人认为信智学部的同学比其他专业的同学有更多优势,乃至于其他专业的同学可能要付出多得多的努力才能够卷赢他们。
3. 没有公布实验获得分数和展示优秀的作业
这点还好,实验文档有说明每个点的分数。但希望以后能公布个人的分数,给出优秀的作业作为参考,对于每次实验,能像第一次实验一样给出点评,这样收获会更大。
甚至从非功利性的角度而言,受限于课程时长,对于想要学习相关内容的同学,不如直接上b站找相关视频自己看;或是旁听即可,没有选课的必要。选课似乎只是起到了督促你完成实验的作用。
另一方面,老师和助教还是非常认真友善的,可以感受到他们希望通过这门课给非相关专业的同学普及深度学习相关的知识。只是个人在实验上的收获应该远远多于课上(可能也受限与课程时长和内容),不过实验也是这门课痛苦的主要来源,有挺多同学也因此退课😥。
教师主页: 暂无
教师主页: 暂无