2023春 2022春 2021春 课程号：CS150701
- 课程难度：中等
- 作业多少：中等
- 给分好坏：一般
- 收获大小：很多
| 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 |
课程内容
《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。
考核与作业
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。
给分情况
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。
教学水平
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。
选课建议
- 有一定Python基础：如果没有基础，课程内容可能较难跟上。
- 了解深度学习理论：对第二次及第三次作业有帮助。
- 课余时间充足：作业量大，需要时间调试和调优代码。
- 硬件支持：本地没有高配显卡的同学可申请使用bitahub，但该平台有使用难度。
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。
- 课程难度：中等
- 作业多少：很多
- 给分好坏：超好
- 收获大小：很多
- 难度：中等
- 作业：很多
- 给分：超好
- 收获：很多
课程内容
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。
- 张越一老师：主要讲解Python基本语法和一些进阶语法，最后两次课还讲解了计算机视觉和自然语言处理的一些基础知识
- 熊志伟老师：主要讲解神经网络的理论基础，和一些卷积神经网络的数学算法
- 郑歆慰老师：主要讲解深度学习的代码实现框架，以pytorch为主，还涉及到了一些强化学习、分布式学习的知识
- 最后一次课是助教的前两次作业分析和做研究写代码（戏称“炼丹”）经验分享
关于作业
今年的三次作业内容与以往略有不同，可供参考：
- Python应用：设计一个与网络相关的软件。涉及到网络爬虫和python图形化界面的内容，上课时虽然有讲解但肯定讲不了这么细致，需要课后搜索阅读相关资料，对python编程能力有一定要求；
- 深度学习基础：训练一个深度神经网络用于图像分类。利用骨干网络ResNet在数据集Tiny-imagenet上进行训练，并最终评估其在图像分类任务上的效果，属于一个非常入门级的深度学习项目；
- 深度学习实战：论文复现。找一篇近两年发表在知名会议/期刊上的论文，自己编写或者调用原作者的开源代码库复现论文中的研究结果。个人认为难度主要在确定选题上，至于复现过程如果有开源代码就会轻松很多。
选课建议
- 至少有一定的python基础。如果没学过python，在老师讲解的基础上最好能够自己动手写一些代码。推荐一个非常好的练习python代码的网站：python123.io 这是一个与中国大学MOOC联合开设的公开课网页，它最惊艳我的地方在于可以交互式运行，实时检查你的代码输出是否正确，而且有很多有一定难度的题，我只把最初级的那节课的所有题刷了一遍就觉得大有收获；
- 最好能够了解一些深度学习的基本理论，或者认真听一听熊老师介绍神经网络的那两节课。否则在做第二次项目时，就会像助教说的那样，很多同学连基本的网络模型、训练集和测试集、损失曲线的概念都不知道，拿到代码根本无从下手，不知道怎么改，就更别提做项目了，导致大批量退课（）
- 能够抽出空闲时间来调代码和Debug。这门课的课余任务量还是比较大的，虽然DDL设置得都很宽裕，也延期了一次，但到学期末80个人的课堂退得只剩一半了（）以及如果自己的电脑显卡不够牛的话，项目二就会比较吃力（GTX 1080ti 跑完一遍需要3个小时），项目三就更难了，如果你选择的论文跑的是一个很大的任务的话。也可以选择和助教联系申请使用科大的远程GPU服务器（类脑平台bitahub.com），这样你就可以RTX 3090用到爽了（不是）不过这就又要学习远程运行代码的知识和配置镜像Docker的流程，也需要花费一些时间
- 今年老师鼓励大家单独完成作业，第三次大作业最多两个人组队，想抱大腿的同学要注意嗷
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😊
- 课程难度：中等
- 作业多少：中等
- 给分好坏：超好
- 收获大小：很多
- 难度：中等
- 作业：中等
- 给分：超好
- 收获：很多
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。
- 课程难度：困难
- 作业多少：很多
- 给分好坏：一般
- 收获大小：一般
- 难度：困难
- 作业：很多
- 给分：一般
- 收获：一般
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
- 课程难度：中等
- 作业多少：中等
- 给分好坏：超好
- 收获大小：很多
- 难度：中等
- 作业：中等
- 给分：超好
- 收获：很多
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。
- 课程难度：中等
- 作业多少：很多
- 给分好坏：一般
- 收获大小：很多
- 难度：中等
- 作业：很多
- 给分：一般
- 收获：很多
先说结论：从功利性角度而言，不推荐没有相关基础或课余时间不充足的同学选课
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😥。
