30天通关计算机视觉：李宏毅深度学习实战指南

你还在为深度学习理论与实践脱节而苦恼？面对CNN（卷积神经网络）、目标检测等术语无从下手？本文将带你通过《李宏毅深度学习教程》中的15个实战项目，从图像分类到对抗攻击，系统掌握计算机视觉核心技能。读完本文，你将获得：3个经典项目拆解、5类实用工具库使用指南、1套完整学习路径图。

项目架构概览

本教程包含15个递进式Homework（作业）项目，覆盖计算机视觉全栈技术。项目结构采用"理论课件+代码实现+可视化结果"三位一体模式，所有资源已整理至Homework/readme.md。核心视觉项目分布如下：

技术方向	对应作业	关键文件路径
图像分类	HW2	HW2_Classification.ipynb
卷积神经网络	HW3	HW3_CNN.ipynb
对抗性攻击	HW10	HW10-AdversarialAttack.ipynb

核心项目实战

1. 图像分类：从0到1训练识别模型

在HW2_Classification项目中，你将实现一个基于Pytorch的图像分类系统。该项目通过CIFAR-10数据集演示完整流程：数据加载→模型定义→训练调优→结果可视化。关键代码片段：

# 模型训练核心循环
for epoch in range(num_epochs):
    model.train()
    for images, labels in train_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)
        
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

训练过程中产生的准确率曲线已保存至pic/02.png，清晰展示不同优化器的性能对比。

2. CNN应用：卷积层特征可视化

HW3_CNN项目深入探索卷积神经网络的工作原理。通过实现卷积层特征提取器，你可以直观观察不同层级的特征响应。项目提供的数据增强模块testAug.png展示了随机裁剪、翻转等技术如何提升模型泛化能力。

3. 前沿挑战：对抗性样本攻击

HW10_AdversarialAttack项目揭示了深度学习模型的安全隐患。通过FGSM（快速梯度符号法）生成对抗样本，原本99%置信度识别为"猫"的图像，添加微小扰动后会被模型误判为"狗"。项目代码实现了多种攻击算法，并在HW10.pdf中详细分析防御策略。

环境配置与学习资源

快速开始

1. 克隆仓库：

git clone https://gitcode.com/GitHub_Trending/le/leedl-tutorial

2. 推荐使用Google Colab运行代码，参考Warmup/Google_Colab_Tutorial.ipynb配置云端环境。

扩展学习路径

• 基础强化：完成Warmup/Pytorch_Tutorial_2.ipynb掌握张量操作
• 技术进阶：学习HW13_NetworkCompress中的模型压缩技术，其中HW13_pic/dwpw.png展示了深度可分离卷积的结构优势
• 领域迁移：研究HW11_Adaptation项目的领域自适应方法，DaNN.jpg图解了域对抗神经网络的工作机制

学习建议与社区资源

建议按"基础→进阶→前沿"三阶段学习：先完成HW2-HW3掌握核心技能，再挑战HW10-HW13等高级主题。所有项目均提供PDF课件和代码注释，配合DataWhale社区讨论可获得更佳学习效果。

提示：国内用户访问GitHub较慢时，可优先使用GitCode镜像仓库获取资源。