借此平台保留参考代码，希望以后有机会能跟别人分享讨论！
NOTE 考虑到这类仓库对github生态&大家学习的弊大于利，过段时间仓库应该会404啦！希望仓库内容曾对大家有积极帮助！
-
前言：
-
主要包含自己本地环境下做的2020年作业（也就是没用上GPU...orz），PyTorch和Tensorflow可选作业中，我选了据说更复杂的Tensorflow（仅出于学习目的）；
-
基本完成3个assignment（剩下assignment2的
TensorFlow.ipynb的Part-V）。每个notebook中应该都附带了本地的运行结果，如果发现任何缺漏、疑问或错误希望能指出（可以发issue！），非常感谢！ -
第一次完成时，代码和注释贪图了dirty and quick（orz），后期考虑美化；
-
-
关于
assignment1：- 由于我对numpy不太熟悉，对向量化求导过程不太熟练，里边的代码虽然跑通了，但优雅程度（包括注释的可读性）肯定不好，待美化；
-
关于
assignment2：-
我觉得主要的亮点在自己的卷积速度以及卷积梯度反向传导。卷积速度媲美
fast_layer.py中的实现（还没看代码，估计在GPU上就不行了orz）。卷积梯度反向传导综合考虑了步长stride >= 1的情况，应该相比一些网上资料甚至一些教材中说的“对边缘进行0填充，旋转180°，作卷积”要更具体严谨； -
但卷积梯度反向传导和池化层的速度依旧比
fast_layer.py中的实现要逊色，而且我的池化层未实现向量化。待学习； -
im2col相关拓展的编译在Windows上可能有坑，我也在notebook相应的cell中给出了解决方案：主要是要安装一个4G+的VS Build Tools （作业对Windows开发环境似乎不太友好，很多获取数据的脚本都是*.sh）；
-
-
关于
assignment3：-
之前让我闻之丧胆的RNN和LSTM，实现起来感觉居然是最简单的。
因为里面的计算主要是element-wise的乘积与简单的线性函数，所以BP过程比较简单（感觉相比Batch Normalization的BP友好不少）。但LSTM的Computation Graph有点意思（可以在其中瞥到ResNet的Gradient High-way），详情参见
notes； -
授课人Justin Johnson（那位帅哥）还有一篇关于Real-time Style Transfer的论文，我感觉这想法挺有好玩：https://arxiv.org/pdf/1603.08155.pdf
-
Generative_Adversarial_Networks_TF.ipynb中计算目标损失有个小技巧：将生成器和判别器的输出视作得分的logits值，免去了耗时的softmax()计算。我在相应的cell中也阐述了自己的看法，主要说明为什么这样做是等价的，也在gan_tf.py的generator_loss()中给出三种（等价的）由生成器输出计算损失的方法；
-
-
关于
notes：-
主要包含三个作业中设计的一些比较有意思的Back Propagation的推导。通过整理也让我进一步感受到了Computation Graph的及Local Gradient的强大；
-
emmm，字确实是丑（憋喷了
-
（身边没有七彩笔，而且每次都要拍照扫描整成pdf上传有点麻烦……突然很想攒个pad）
-
-
最后：
- 作业算是基本完工了，大概耗时15天。最重要的是，也算瞥到了深度学习与计算机视觉的门（感觉不算入门，毕竟还没实战应用orz），它们对我不再像以前可以掉包的“黑箱”一样神秘，应该可以尝试逐步跟进前沿技术和算法了。
- 我也学到了不少向量化编程和模块化编程（比如model跟solver分开，甚至model中各个layer也分开，需要使用时就像做三明治一样好玩了！）的技巧，让我逐渐有了安排好代码结构及注释结构的意识（关于注释结构，之前一直不是很注意！要小心）。