面向程序员的实用深度学习

aa1143/NamiGPT

一个中文教程型仓库，主题是从零手写 GPT-2，用 PyTorch 逐步实现 attention、transformer 等组件，讲解大模型的工作过程。仓库标注面向零基础读者入门 LLM，配有图文教程站点 namiai.tech，代码采用 MIT 许可、文档采用 CC BY-NC 4.0 许可。适合刚开始学习大模型原理、想通过手写代码理解 GPT 结构的人阅读。

Stanford CS231n：计算机视觉中的深度学习（2026 春）

斯坦福大学 2026 年春季 CS231n《Deep Learning for Computer Vision》课程网站。页面用一个在浏览器中实时运行的卷积神经网络示例（CIFAR-10 分类，架构为 [conv-relu-conv-relu-pool]x3-fc-softmax，共 17 层、7000 参数，用 ConvNetJS 训练）说明输入图像如何经一系列函数变换为类别概率。课程简介指出视觉识别（图像分类、定位、检测）是搜索、图像理解、地图、医疗、无人机、自动驾驶等应用的核心，深度学习显著提升了这些系统的性能，并说明这是一门深度学习课程。

面向初学者的目标检测 第一部分：梯度向量、HOG 与选择性搜索

Object Detection for Dummies Part 1: Gradient Vector, HOG, and SS

Lilian Weng 的“Object Detection for Dummies”系列第一篇，介绍目标识别与检测之前的基础图像处理概念与图像分割方法，包括图像梯度向量、常见图像处理核、方向梯度直方图（HOG）、Felzenszwalb 图像分割算法，以及选择性搜索及其配置变化。文中说明本部分不涉及深度神经网络，深度学习检测模型留待第二、三部分。

Stanford CS229 Machine Learning | Spring 2026

一个 YouTube 播放列表，收录斯坦福研究生课程 CS229 机器学习 2026 春季学期的课堂录像，共 17 讲。材料列出的前 8 讲标题涵盖课程介绍、监督学习设置、加权最小二乘、指数族与 GLM 分类、高斯判别分析、数据集划分与机器学习建议、神经网络架构等。课程内容为机器学习与统计模式识别的广泛导论，涉及监督学习、无监督学习、学习理论与强化学习，以及机器人控制、数据挖掘、语音识别等应用。

Show HN：我把 DOOM 变成了一台 Transformer

Show HN: I Turned DOOM into a Transformer

一个 GitHub 项目，作者用 DOOM 游戏机制和 voodoo doll 实现 Transformer 所需的数学运算，做出一个比 NumPy 慢约 65000 倍的替代实现，命名为 DOOMFORMER；它可分类手写 MNIST 数字（即使画在地图里）、勉强对话、以及在 DOOM 地图中做决策。适合对 DOOM、动手玩梗式机器学习实验感兴趣的人看。

MIT 6.7960 深度学习（2024 秋）

MIT OpenCourseWare 上的深度学习课程页面，2024 年秋季开设，覆盖 MLP、CNN、RNN、图网络、Transformer 等架构，深度学习中的几何与不变性、反向传播与自动微分、高维泛化理论，以及视觉、NLP、机器人等应用；授课教师包括 Phillip Isola、Sara Beery、Jeremy Bernstein。适合想系统学习深度学习理论与实践的人。