CS231n Winter 2016：15 讲完整地图
一句话
这是让卡帕西成为「AI 教师」的课：斯坦福 CS231n《卷积神经网络与视觉识别》2016 冬季学期的完整课堂录像，由他和 Justin Johnson 主讲（李飞飞开课）。当年它是全球无数人深度学习的启蒙课；十年后，它的一半内容进了博物馆，另一半仍是任何 AI 课程都绕不开的地基。
视频讲了什么
全 15 讲，按官方课表（cs231n.stanford.edu/2016 与 cs231n.github.io 讲义）可分四个阶段：
- 基础（第 1–4 讲）：课程与历史导论；数据驱动方法、kNN 与线性分类；损失函数与优化（SGD）；反向传播与神经网络入门——第 4 讲是全课灵魂，「把网络看成计算图、梯度沿图回流」的讲法至今无人超越。
- 训练神经网络（第 5–6 讲）：激活函数、初始化、Batch Normalization、Dropout、超参数调优——一整套「炼丹」工程学的第一次系统整理。
- 卷积网络（第 7–9、11、13 讲）：ConvNet 结构与各代架构（AlexNet 到 ResNet——ResNet 当时刚发布数月）；定位与检测；可视化、DeepDream、风格迁移与对抗样本；ConvNet 实战技巧；分割与软注意力。
- 序列与前沿（第 10、12、14、15 讲）：RNN/LSTM 与图像描述（第 10 讲，他的招牌题目）；当年的深度学习框架（Torch/TensorFlow 初代）；视频与无监督学习；Jeff Dean 客座演讲。
背景
2016 年初正是深度学习黄金时代的开端：ResNet 刚刷榜、AlphaGo 对局在即、TensorFlow 发布数月。CS231n 选课人数一年翻几倍，课堂录像传到 YouTube 后成了事实上的「全球公开课」——当时讲深度学习又系统又生动的视频，全网几乎只有这一套。配套讲义（cs231n.github.io）由卡帕西执笔，文字之清晰另成经典，以 MIT 协议开源。也是在这门课上，他确立了日后贯穿 Zero to Hero 的教学风格：不堆公式，先给直觉，再用最小可运行的例子把直觉钉死。对很多今天的一线研究员来说，「我是看 CS231n 入行的」是一句通行的自我介绍。
为什么（以及是否）值得花这十八小时
2026 年的诚实答案：不必全看，但有几讲仍是黄金。已过时的部分：框架讲解（第 12 讲的 Torch/初代 TensorFlow 早已换代）、检测与分割的具体方法（被后来的方案迭代）、以及整个「前 Transformer」视角——课程完全没有（也不可能有）注意力机制的今天地位。仍然保值的部分：反向传播、损失函数与优化、训练技巧、ConvNet 卷积直觉——这些是数学和工程直觉，十年没变，且视觉模型（包括多模态 LLM 的视觉端）至今仍大量依赖卷积与其衍生结构。第 10 讲 RNN 则值得当思想史看：正是《RNN 的不合理有效性》的课堂版。若只挑三讲：第 4（反向传播）、第 5–6（训练）、第 7（ConvNet）。
对你意味着什么
- AI 学习者：别把它当第一门课。2026 年更优路径是先学 Zero to Hero（同一位老师、Transformer 时代的重制版），需要补视觉与训练基本功时，再回来按上面的「保值清单」点播。
- 想读讲义的人：讲义比视频更抗老化，且是 MIT 协议开源——它的汉化已在本站路线图上，届时可配合视频食用。
- 英文门槛：课堂录音收音一般，语速快，是本站导读的视频里英文难度最高的一档（YouTube 有英文自动字幕，但识别错误较多）。建议以英文讲义为主线、视频为辅助，比硬听高效得多。
延伸
- 播放列表原址 · 配套讲义 · 2016 课程官网
- Zero to Hero 课程汉化 —— 同一位老师十年后的重制版
- 导读：《你应该理解反向传播》 —— 第 4 讲的博文姊妹篇
- 导读：《RNN 的不合理有效性》 —— 第 10 讲的博文版
- 解读：一切向 Transformer 收敛 —— 这门课之后的世界