COURSE PROFILE 深度学习 · 动手实现
11-785 Introduction to Deep Learning · Spring 2026
从神经网络的学习原理出发，亲手构建并训练 MLP、CNN、RNN 与 Transformer，在语音和视觉任务中检验模型。
课程概览
- 开设单位：Carnegie Mellon University
- 课程编号：11-785
- 学期：Spring 2026
- 主要形式：讲授、作业与项目
ABOUT THIS COURSE
把网络原理转化为可运行的模型
CMU 11-785 是一门以实现和实验为主线的深度学习课程。课程网站提供讲授内容、recitation 与 bootcamp、课程资料和作业信息，并持续维护课程讲义。
作业循序渐进地要求学生实现基础网络、卷积网络、循环网络、CTC 与 Transformer 组件，再应用于音素标注、人脸验证和自动语音识别等任务。
COURSE CONTENT
从训练基础到序列建模
以下主题依据 Spring 2026 课程安排及作业整理，具体进度以当期官网为准。
神经网络与函数近似
回顾联结主义思想，理解神经网络表达能力以及深度与模型规模的作用。
FOUNDATIONS
训练、反向传播与优化
从经验风险最小化出发，推导梯度与反向传播，比较 SGD、mini-batch、优化器和正则化方法。
TRAINING
卷积神经网络
学习卷积网络的结构与训练，并通过从零实现 CNN 完成人脸验证等视觉任务。
COMPUTER VISION
循环网络与语音建模
实现 RNN、GRU、CTC 和解码方法，面向音素映射及自动语音识别开展实验。
SEQUENCE MODELS
注意力与 Transformer
实现注意力机制，训练 decoder-only 与 encoder-decoder Transformer，并探索语言模型。
TRANSFORMERS
LEARNING BY DOING
作业连接底层实现与真实任务
Autolab 编程作业、数据任务和课程项目共同构成实践路径。
IMPLEMENT
从零实现
编写 MLP、CNN、RNN、GRU、CTC、注意力及自动微分组件。
APPLY
任务验证
将模型用于音素标注、人脸验证、语言建模和语音识别。
PROJECT
项目探索
研究型课程项目帮助学生完整经历建模、评估与报告。
PREPARATION
开始前可复习
课程包含理论推导和较多编程实践，建议熟悉：
线性代数
微积分与链式法则
概率基础
Python 编程
机器学习基本概念
具体先修要求、学期安排及考核政策请以 CMU 当前课程网站为准。
OFFICIAL COURSE MATERIALS
课程主页与教学资料
课程讲授日历、作业、课程大纲和补充读物由教学团队持续更新。
11-785 Introduction to Deep Learning
内容来源
根据 CMU 11-785 Spring 2026 课程主页、课程大纲和作业说明归纳并中文编写。本页不是 CMU 官方页面。
← 返回 AI 教学课程