CS231n Assignment 实现记录（Local / Non-Colab）

本仓库用于记录笔者对 Stanford CS231n 课程作业（Assignment 1/2/3）的实现过程与实验结果。
全程在本地环境完成，没有使用 Google Colab。
后续将持续补充整理后的学习笔记与复盘内容。

仓库结构

CS231n/
├── assignment1/
│   └── assignment1/
├── assignment2/
│   └── assignment2/
├── assignment3/
│   └── assignment3/
├── cs231n_blog.pdf
└── images/

说明：

• assignment1/assignment1：A1（KNN、SVM/Softmax、两层网络、全连接网络、特征工程）
• assignment2/assignment2：A2（BatchNorm、Dropout、CNN、PyTorch、RNN Captioning）
• assignment3/assignment3：A3（Transformer Captioning、Self-Supervised Learning、DDPM、CLIP/DINO）
• cs231n_blog.pdf：课程笔记 PDF（从线性分类器到扩散模型）
• images/：笔记中使用的 slides / 插图资源

目录命名说明

已将历史目录中的 *_colab 后缀移除，统一为：

• assignment1
• assignment2
• assignment3

注：部分 notebook 元数据中仍可能保留 colab 字段，这是原始模板遗留信息，不影响本地运行。

环境准备（建议）

通用

1. 安装 Python（建议 3.9/3.10）与 pip。
2. 建议使用 conda 或 venv 创建独立环境。
3. 在每个 assignment 目录单独安装依赖并运行 notebook。

Assignment 1

工作目录：

cd assignment1/assignment1

数据下载：

bash cs231n/datasets/get_datasets.sh

建议按 notebook 顺序运行：

• knn.ipynb
• softmax.ipynb
• two_layer_net.ipynb
• features.ipynb
• FullyConnectedNets.ipynb

打包提交（代码 + PDF）：

bash collectSubmission.sh

Assignment 2

工作目录：

cd assignment2/assignment2

数据下载：

bash cs231n/datasets/get_datasets.sh
bash cs231n/datasets/get_coco_dataset.sh

如需编译 Cython（卷积加速相关）：

cd cs231n
python setup.py build_ext --inplace
cd ..

建议按 notebook 顺序运行：

• BatchNormalization.ipynb
• Dropout.ipynb
• ConvolutionalNetworks.ipynb
• PyTorch.ipynb
• RNN_Captioning_pytorch.ipynb

打包提交（代码 + PDF）：

bash collectSubmission.sh

Assignment 3

工作目录：

cd assignment3/assignment3

安装依赖（仓库内提供 requirements）：

pip install -r requirements.txt

数据下载（按需）：

bash cs231n/datasets/get_datasets.sh
bash cs231n/datasets/get_coco_dataset.sh

建议按 notebook 顺序运行：

• Transformer_Captioning.ipynb
• Self_Supervised_Learning.ipynb
• DDPM.ipynb
• CLIP_DINO.ipynb

打包提交（代码 + PDF）：

bash collectSubmission.sh

笔记与复盘

当前已提交：

• cs231n_blog.pdf（完整课程笔记）
• images/CNN.png
• images/ReLUvsGELU.png
• images/cnn.jpeg
• images/ddpm.png
• images/im2col.png
• images/transformer.png
• images/vit.jpg

其他说明

• .gitignore 已配置数据集与大文件忽略规则，避免提交超大实验产物。
• 如 notebook 中存在绝对路径，请按本机实际路径修改对应变量（通常在前几格）。
• 本仓库的重点是“可复现的本地作业实现记录”，不是 Colab 教程。