# UC Berkeley EECS182/282A：深度神经网络（2025 秋） - 原标题：UC Berkeley EECS182/282A：Deep Neural Networks（2025 秋） - 类型：课程 - 来源：berkeley-cs182.github.io - 学期：2025 秋 - 首次精选：2026-10-29 23:09 - 分级：值得看 - 学习层级：深入 - 主题：[neural-model-foundations]()（第 36 位） - 原文链接：[https://berkeley-cs182.github.io/fa25]() - 本站页面：[https://oplearnx.com/resources/pk\_c0d9fe320d2d]() ## 摘要 加州大学伯克利分校 EECS 182/282A《Deep Neural Networks》2025 年秋季课程网站，课程时间为周二、周四 11:00–12:30，地点 Soda 306。课程简介称深度网络革新了计算机视觉、语言技术、机器人与控制等领域，但尚无完整的紧凑理论原则，课程试图在直觉、理论建模、实际实现、实证研究与科学分析之间展开；讲座由院系录制并发布到 YouTube 播放列表，需用 @berkeley.edu 账号登录访问，授课内容大量使用白板或手写平板而非幻灯片。 ## 概览 - 难度：进阶 - 语言：英文 - 规模：15 周 · 约 26 讲 - 动手：14 次作业 · 含代码 ## 学完你能 - 理解深度网络的直觉、理论建模与实践实现之间的关系 - 掌握 SGD、动量、Adam、muP、MuON 等优化方法与局部线性视角 - 理解卷积网络、ResNet、U-Net、图神经网络等架构设计 - 掌握 RNN、自监督、状态空间模型与 Transformer 的原理 - 了解上下文学习、提示与 LoRA 等参数高效微调方法及迁移学习、元学习 - 了解生成模型与后训练等前沿方向 ## 适合你吗 - 适合：已具备机器学习与深度学习基础、希望系统梳理现代深度网络原理的本科生或研究生 - 适合：希望从优化器、架构到前沿方法完整覆盖一遍的学习者 - 暂不适合：完全没有机器学习背景的初学者 - 暂不适合：只想学编程实现、不关心理论与推导的人 - 需要先会：需要较强的机器学习与数学基础（课程未列出具体先修课，但内容涉及优化器理论与矩阵范数、参数化等推导）。 ## 课程特点 - 内容侧重：覆盖深度网络的基础原理、优化器理论、各类架构（CNN、GNN、RNN、状态空间模型、Transformer）与生成模型、后训练等前沿主题。 - 练习与项目：每周一次作业，含书面题（Written）与代码（Code）两部分；每周一次讨论课，涉及 SGD、反向传播、ResNet、注意力等主题。 - 投入时间：每周两次课，周二、周四 11:00–12:30，共 15 周；讲课内容大量写在白板或平板上，学生需课后及时手写笔记。 - 费用说明：课程页未说明费用；讲座录像由院系录制并发布在 YouTube 播放列表，需登录 @berkeley.edu 账号观看。 ## 内容覆盖 - 第 0 周 课程介绍与行政事项 - 第 1 周 基本原理 - 第 1 周 优化：隐式正则化、SGD 与动量 - 第 2 周 优化：Adam、局部线性视角与特征的含义 - 第 2 周 优化器 - 第 3 周 优化器：从诱导矩阵范数获得的洞见 - 第 3 周 muP：最大更新参数化 - 第 4 周 优化器：MuON - 第 4 周 卷积网络基础 - 第 5 周 池化/降采样、数据增强与归一化层 - 第 5 周 完成归一化、Dropout 与 ResNet 开始 - 第 6 周 完成 ResNet、全卷积网络与 U-Net - 第 6 周 图神经网络 - 第 7 周 DiffPool、完成 GNN 与开始 RNN - 第 7 周 RNN 与自监督 - 第 8 周 完成自监督与开始状态空间模型 - 第 8 周 完成状态空间模型 - 第 9 周 注意力与 Transformer - 第 9 周 Transformer - 第 10 周 完成 Transformer - 第 10 周 上下文学习、提示与 PEFT：软提示与 LoRA - 第 11 周 完成 PEFT 与开始迁移学习 - 第 12 周 元学习 - 第 12 周 生成模型 - 第 13 周 后训练 - 第 14 周 生成模型 - 第 14 周 生成模型 - 第 15 周 RRR 周 ## 课程各讲 - [视频合集]() --- 来源：LearnMap · 学径（https://oplearnx.com）