勾式给分，实验、竞赛、报告全部认真完成，喜提3.3

不过现在这个时间点gpa确实不太重要了，反思自己这几年把太多精力放到这上面了。

总的来说，这门课确实能学到很多东西，可能课程设计上比其他学校的DL还有差距等等，但在科大里这也许是我作为cs本科生接触的第一个充分广泛学习AI/ML/DL的课程了。现在的培养计划，感觉大部分cs本科生大三才会通过课程学习ML/DL，有点晚了。

有点名，频率大概从期中后开始一周/两周一次

大三下学期体验最好的实验课，没有期末考试

实验布置循循善诱，内容涉及也从传统到热点

从FFN到GCN再到LLM

动手去做确实能学到不少东西

就是实验报告有点折磨，同时卡需要自己去自费租，其他没啥缺点吧

这门课能早修就早修

放眼各个领域的科研热点

早都已经是深度学习的天下了

本人本科阶段最后一门需要在意绩点的课程，想想还是来评个课吧。

点名3~4次，四个实验（MLP，CNN，GCN，大模型微调），一个课程竞赛（团队项目），一篇论文阅读报告，一条课程反馈建议（只要你愿意提供至少一条建议，就白给2分），大概就这些事情吧。

除了第四个实验大模型微调会提供免费的计算资源以外，其他的项目都不提供计算资源（但是你可以用第四个实验提供的计算资源做课程竞赛）。课堂教学以理论为主，课下实验以代码为主。Lab与课堂教学有一定的gap，需要大家灵活运用包括Github、CSDN、ChatGPT、Cursor在内的各种平台和工具。实验操作与课堂教学分离比较严重，这可能是这门课最大的问题，也是同学们最不满意的点。我个人在上这门课之前其实也没有什么深度学习的代码的经验，但也基本能在一个上午之内把一个任务的代码跑通，后续再想办法提高performance。我觉得没有深度学习代码经验的同学也完全可以选课，但需要先对自己解决问题的能力做一个评估。如果你是必修，那你倒霉。

课程竞赛建议早点开始弄（如果有计算资源的话）。论文阅读报告不要过于依赖ChatGPT等工具，据说会把学生提交的报告和论文原文一并提交给LLM，由LLM判断你的报告是不是另一个LLM生成的。据说复现论文里的实验会有加分（但课上没提过，作业要求里也没写），横向比较多篇论文也会有加分（课上没提过，作业要求里没写）。以后在意分数的同学可以跟老师和助教聊一聊，了解一下他们更希望看到什么样的工作。话虽如此，但根据本人的经验，不复现论文里的实验，不做横向比较，好像也可以得到一个不错的分数19/20。

最后的总评比bb系统上各项任务的分数之和略高一点。虽然我早就知道肯定是4.3，但最后给了98还是有一点意外的。不过话说回来，能给98为什么不直接给100呢？反正都一样。我感觉应该是有调分的，所以给分选了“超好”。

对于刚接触深度学习的菜鸡来说，作业过于离离原上谱了。

前两次FNN和CNN还好，网上代码和视频都很多，Github上还有往年前辈的祖传作业。以往年少不懂事买的A卡用不了pytorch，FNN用小CPU还能跑跑，CCN想办法整了3个Google账号colab轮着用。

第三次GCN要求不能用PyG库得自己写各种函数，两个数据集分别两个任务……这个就麻烦了，废寝忘食一周多。也还行，咬咬牙挺住了

第四次直接破防，阿里云计算资源搭建Swift框架使用Qwen大模型、处理Kaggle数据集、LoRA方法微调、完成文本分类任务……没有能抄的只能挨个挨个找文档啃……深夜破大防上评课社区看隔壁研究生课程，发现GCN是它们最后一次作业……继续破大防

哦对了，竞赛任务还没开始看（总不能东西还没学完就先去整这玩意儿吧，所以哪怕布置得再早有什么意义呢？），和作业四ddl同一天，哭哭……

老师上课的进度感觉比隔壁班慢不少 导致讲的内容应该也偏少 感觉前几章讲的必要不是很大 另外讲完再发PPT是真的难受

课程实验也不多 总体感觉也很适合摆烂

大一春选的

老师很认真，作业对编程能力提升挺大

助教也很认真

就是上课容易困