cs231n课程链接记一下，方便查阅：
翻译：Python Numpy教程。
我们将使用Python编程语言来完成本课程的所有作业。Python是一门伟大的通用编程语言，在一些常用库（numpy, scipy, matplotlib）的帮助下，它又会变成一个强大的科学计算环境。我们期望你们中大多数人对于Python语言和Numpy库比较熟悉，而对于没有Python经验的同学，这篇教程可以帮助你们快速了解Python编程环境和如何使用Python作为科学计算工具。
原文：[image classification notes]。
该笔记是一篇介绍性教程，面向非计算机视觉领域的同学。教程将向同学们介绍图像分类问题和数据驱动方法，内容列表：
- 图像分类、数据驱动方法和流程
- Nearest Neighbor分类器
- k-Nearest Neighbor 译者注：上篇翻译截止处
- 验证集、交叉验证集和超参数调参
- Nearest Neighbor的优劣
- 小结
- 小结：应用kNN实践
- 拓展阅读
原文：[linear classification notes]。
我们将要实现一种更强大的方法来解决图像分类问题，该方法可以自然地延伸到神经网络和卷积神经网络上。这种方法主要有两部分组成：一个是 评分函数（score function），它是原始图像数据到类别分值的映射。另一个是 损失函数（loss function），它是用来量化预测分类标签的得分与真实标签之间一致性的。该方法可转化为一个最优化问题，在最优化过程中，将通过更新评分函数的参数来最小化损失函数值。内容列表：
- 线性分类器简介
- 线性评分函数
- 阐明线性分类器 译者注：上篇翻译截止处
- 损失函数
- 多类SVM
- Softmax分类器
- SVM和Softmax的比较
- 基于Web的可交互线性分类器原型
- 小结
该笔记介绍了图像分类任务的第三个关键部分：最优化。内容列表如下：
- 简介
- 损失函数可视化
- 最优化
- 策略#1：随机搜索
- 策略#2：随机局部搜索
- 策略#3：跟随梯度 译者注：上篇截止处
- 梯度计算
- 使用有限差值进行数值计算
- 微分计算梯度
- 梯度下降
- 小结
原文：[backprop notes]。
翻译：反向传播笔记。
该笔记本将帮助读者 对反向传播形成直观而专业的理解。反向传播是利用链式法则递归计算表达式的梯度的方法。理解反向传播过程及其精妙之处，对于理解、实现、设计和调试神经网络非常关键。内容里列表如下：
- 简介
- 简单表达式和理解梯度
- 复合表达式，链式法则，反向传播
- 直观理解反向传播
- 模块：Sigmoid例子
- 反向传播实践：分段计算
- 回传流中的模式
- 用户向量化操作的梯度
- 小结
该笔记介绍了神经网络的建模与结构，内容列表如下：
- 不用大脑做类比的快速简介
- 单个神经元建模
- 生物动机和连接
- 作为线性分类器的单个神经元
- 常用的激活函数
- 神经网络结构
- 层组织
- 前向传播计算例子
- 表达能力
- 设置层的数量和尺寸
- 小节
- 参考文献
翻译：神经网络笔记2。
该笔记介绍了数据的预处理，正则化和损失函数，内容列表如下：
- 设置数据和模型
- 数据预处理
- 权重初始化
- 批量归一化（Batch Normalization）
- 正则化（L2/L1/Maxnorm/Dropout）
- 损失函数
- 小结
该笔记讲解了神经网络的动态部分，即神经网络学习参数和搜索最优超参数的过程。内容列表如下：
- 梯度检查
- 合理性（Sanity）检查
- 检查学习过程
- 损失函数
- 训练集与验证集准确率
- 权重：更新比例
- 每层的激活数据与梯度分布
- 可视化 译者注：上篇翻译截止处
- 参数更新
- 一阶（随机梯度下降）方法，动量方法，Nesterov动量方法
- 学习率退火
- 二阶方法
- 逐参数适应学习率方法（Adagrad，RMSProp）
- 超参数调优
- 评价
- 模型集成
- 总结
- 拓展引用
原文：ConvNet notes。
翻译：卷积神经网络笔记。
内容列表：
- 结构概述
- 用来构建卷积神经网络的各种层
- 卷积层
- 汇聚层
- 归一化层
- 全连接层
- 将全连接层转化成卷积层
- 卷积神经网络的结构
- 层的排列规律
- 层的尺寸设置规律
- 案例学习（LeNet / AlexNet / ZFNet / GoogLeNet / VGGNet）
- 计算上的考量
- 拓展资源
- 完成了3个课程作业页面的翻译：
原文：[Assignment #1]。
翻译：CS231n课程作业#1简介。
作业内容：实现k-NN，SVM分类器，Softmax分类器和两层神经网络，实践一个简单的图像分类流程。
原文：[Assignment #2]。
翻译：CS231n课程作业#2简介。
作业内容：练习编写反向传播代码，训练神经网络和卷积神经网络。
原文：[Assignment #3]。
翻译：CS231n课程作业#3简介。
作业内容：实现循环网络，并将其应用于在微软的COCO数据库上进行图像标注。实现DeepDream等有趣应用。0