深度学习课程默认你代码全都会写，上课完全不讲代码怎么实现，平时就四个大作业，没有期末考试，但是是所有没有期末考试的课程里面分数给的最低的！因为上课不讲解代码怎么实现，平时作业做起来会很困难，一个mlp，一个LSTM，一个BERT，一个GCN一共四次作业。上面评价说都是github找代码的就可以做出来的，完全站着说话不腰疼。首先上课老师节奏很快，经常跟不上进度，下课需要额外花很多时间回顾ppt和录像也很难弄懂，重要的公式老师不会推导直接说结论跨度比较大。上完一节课除了知道几个概念其他的都是一脸懵逼的，因为老师不讲代码实现，所以很多时候完全不知道是什么，这是作为深度学习课程的最差一点，即使上完了一学期课程也实现不了几个深度学习算法！另外再说四个大作业，第一个作业还算常规题，去网上看看网课对于初学者还能做。第二个和第三个都是自然语言处理领域的模型，非自然语言处理领域的同学根本用不到，而且github的代码大多数无法完成作业要求！为什么，因为数据集不同！两次作业最难的其实是文本数据的预处理，网上资料不多，对于非自然语言处理领域的同学和初学者来说任务非常困难，经常花两星期时间也做不出来作业。第四次GCN网络作业在github上面能找到，但是这个网络的代码在个人pc却很难实现，吃显卡，如果没有科学上网方法上colab，个人电脑跑一次这个网络经常几个小时起步，对初学者十分不友好。电脑配置差的也不用跑这个模型，因为根本跑不出来。但是要说收获也不是没有，比如老师会非常认真的讲解自然语言处理领域的RNN，LSTM，BERT，注意力机制，自注意力机制，很好玩的GAN 生成式网络等拓展很多前沿的深度学习模型，整体来说收益匪浅，而且能看出老师非常认真负责的给我们讲课。但是奈何作业难度太高，对初学者不友好，没能拿到满意的分数，实属遗憾，令我痛心的写完这篇评价。

总体来说还算常规，但是劝觉得这课程没有期末考试就来的同学一句，这课平时四次作业单独拿一个出去都能做一次本科生毕业设计的水平，劝你们还是慎重考虑。老师上课还是非常认真负责的，奈何老师太注重课程进度和理论，没有实验课讲解代码实现，对初学者十分不友好，而且没有加强深度学习的课程实用性，使得上完了课，很多同学就如胡吃海塞般，没能搭建好深度学习的知识体系，知识过眼云烟般，上完课，就还给老师了。希望以后的深度学习课程能更加注重代码实现，同学们的实践性，而不是为了赶课程进度强行跳过很多重要的知识点，这样课程便失去了应有意义。此文写于看完b站李沐的《动手学深度学习》课程后与上学期深度学习课程对比后的一家之言，对于不对，是与不是，留给后来者评吧。 衷心的感谢两位老师的课程教导！微薄言语之间若有冒犯深表歉意。

老师上课认真，涉及深度学习各个领域，课程内容也有深度

给分也很好，没有考试，4次实验。看到上面同学讨论实验难度的问题，确实对于没接触过任何深度学习代码的同学有难度，但是拿任何一个实验都不能作为本科毕设吧...

网上资料还是有不少的，确实存在版本或者数据集不适配的问题，这方面找人请教还是能解决一些问题的，没思路不要折磨自己

作为基础课总体来讲不错，但是大作业不好写，1050ti勉强够用。毕竟基础课都挺难搞，所以推荐选这门课，

如其他评论所说，上课偶尔点名，没有考试，没有分组，作业需要独立完成，一共四次编程作业，MLP、LSTM、BERT、GCN。

MLP很简单。LSTM找到代码以后需要改一下数据预处理，BERT的预训练模型可以找找BERT-tiny，比较省显存。

大作业GCN非常麻烦，原因是似乎不能用PyG等封装过的GCN库。一共三个数据集，对每个数据集都要做节点分类和链路预测两个任务，节点分类比较简单，链路预测很麻烦。链路预测的数据预处理部分可以找PyG的文档抄一下源码，自己写应该很费劲，写好数据预处理以后再找一下用PyG写链路预测的接上就行。这两个任务可以把数据集当成一整张图做比较方便，不需要把每个联通子图找出来。

大作业最好留出两周以上时间做，不然可能做不完。

5次作业+1次大作业(今年是参加kaggle的一个比赛)。如果没有师兄师姐的祖传代码或者报告，这门课大部分就是考验你github检索及复现能力了，那就不建议选，写作业时间太久了。(同意往年评价)

如果有祖传资料，建议选，不点名，很快乐。想学知识的话，哔哩哔哩更适合。

给分挺高的，我知道的都将近90及90以上，可能就是取决于报告写的怎么样。

据说写好了实验能得90+甚至95+，对于我这样的混子来说，费力处理好数据，跑通github代码，再用最后的力气挣扎水出个粗糙的报告也能80分。

没有考试，有签到，上课讲的内容好像还行，但个人觉得价值不高，如另一老哥所言，理论和实践脱节，感觉不如《动手学深度学习》或李宏毅的 机器学习。

讲解的还算细致

作业有难度，但是还好

给分不高但是能过