Stanford CS224N：Natural Language Processing with Deep Learning（2026 冬）

请帮我把「Stanford CS224N：Natural Language Processing with Deep Learning（2026 冬）」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://web.stanford.edu/class/cs224n/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：在本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：4 次作业（A1 词向量，A2 神经网络与依存分析，A3 自注意力与 Transformer，A4 LLM 评测），代码与说明 PDF 在课程网站公开，提交通过 Gradescope，仅限选课学生。校外学习者可本地完成编程与书面题，用作业自带的测试脚本（如有）自查；期末默认项目（实现 minimal GPT-2）说明公开，可自行完成。
课节（官方顺序）：
1. History of NLP：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture01-intro.pdf
2. Word Vectors：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture02-wordvecs.pdf
3. Backpropagation and Neural Network Basics：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture03-neuralnets.pdf
4. Language Models and RNNs：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture04-rnnlm.pdf
5. Transformers：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture05-transformers.pdf
6. Final Projects: Custom and Default; Practical Tips：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture06-final-project.pdf
7. Pretraining (Scaling, Systems, Data)：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture07-pretraining.pdf
8. Post-training (RLHF, SFT, DPO)：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture08-posttraining.pdf
9. Efficient Adaptation (Prompting + PEFT)：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture09-peft.pdf
10. Agents, Tool Use, and RAG：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture10-rag-agents.pdf
11. Hugging Face Transformers Tutorial Session：https://web.stanford.edu/class/cs224n/materials/hf_transformers_tutorial.pdf
12. Benchmarking and Evaluation：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture11-evaluation.pdf
13. Reasoning 1：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture12-reasoning-part1.pdf
14. Reasoning 2：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture13-reasoning-part2.pdf
15. Guest Lecture: Tokenization and Multilinguality：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture14-guest-julie-tokenization-multilinguality.pdf
16. Guest Lecture: Interpretability：https://web.stanford.edu/class/cs224n/
17. Social and Broader Impacts of NLP (Risks)：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture16-impact-on-humanity.pdf
18. Guest Lecture: Multimodality：https://web.stanford.edu/class/cs224n/
19. Guest Lecture: Tinker and LoRA Without Regret：https://web.stanford.edu/class/cs224n/
20. Open Questions in NLP 2026：https://web.stanford.edu/class/cs224n/slides_w26/cs224n-2026-lecture19-open-questions.pdf

1. 环境
- 下载并解压 a1–a4 到 assignments/；按包内环境文件建环境，没有时 uv 安装 numpy torch jupyterlab。
- 有 NVIDIA GPU 时按 PyTorch 官网选择 CUDA 版本安装。
- A1压缩包内顶层目录叫student，解压内容放到assignments/a1，不要额外套一层student。按其中env.yml安装jupyter、matplotlib、numpy、ipykernel、scikit-learn、gensim、datasets==2.18.0（Python>=3.10）；有兼容环境可复用。
- A3/A4官方README要求各自Python3.10环境；不要把A1环境视为后续作业已配置。A4使用Google Vertex AI（Gemini），需要自己的Google Cloud项目、应用默认凭据和GCP_PROJECT_NAME，运行example_usage.py会调用外部模型并产生费用，须先确认；未配置时只阅读材料。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- A1 代码：只记录链接 https://web.stanford.edu/class/cs224n/assignments_w26/a1.zip（未标注许可：在本机下载到 assignments/a1 仅供个人学习）
- A2 代码与说明：只记录链接 https://web.stanford.edu/class/cs224n/assignments_w26/a2.zip（说明 PDF：assignments_w26/a2.pdf）
- A3 代码与说明：只记录链接 https://web.stanford.edu/class/cs224n/assignments_w26/a3.zip（说明 PDF：assignments_w26/a3.pdf）
- A4 代码与说明：只记录链接 https://web.stanford.edu/class/cs224n/assignments_w26/a4.zip（说明 PDF：assignments_w26/a4.pdf）
- 默认期末项目说明：只记录链接 https://web.stanford.edu/class/cs224n/project/DFP_Instructions.pdf
- Gradescope、Ed、讲课录像：只记录链接 https://web.stanford.edu/class/cs224n/（提交与讨论区仅限选课学生）
3. 目录（最外层放在我确认的位置）
cs224n-2026/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-intro-history/
    ├── 02-word-vectors/
    ├── 03-backprop-neural-nets/
    ├── 04-language-models-rnns/
    ├── 05-transformers/
    ├── 06-final-project-tips/
    ├── 07-pretraining/
    ├── 08-post-training/
    ├── 09-efficient-adaptation/
    ├── 10-agents-tools-rag/
    ├── 11-hf-transformers-tutorial/
    ├── 12-benchmarking-evaluation/
    ├── 13-reasoning-1/
    ├── 14-reasoning-2/
    ├── 15-tokenization-multilinguality/
    ├── 16-interpretability/
    ├── 17-social-impacts/
    ├── 18-multimodality/
    ├── 19-tinker-lora/
    └── 20-open-questions/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import numpy, gensim, datasets, sklearn; print(datasets.__version__)"  → 在A1环境中导入依赖并输出datasets版本2.18.0；随后在Jupyter打开exploring_word_vectors.ipynb，运行官方导入与read_corpus给定单元（首次会下载公开IMDB数据），不运行或代填待实现题目。
  - python -c "import torch; print(torch.cuda.is_available())"  → 仅准备到A2及后续需要PyTorch的作业时，在该作业环境检查；A1不以安装PyTorch为开课条件。无GPU时False不是A1/A2安装失败。
  - python -c "from pathlib import Path; assert Path('assignments/a1').exists() and Path('assignments/a4').exists(); print('files-ready')"  → 作业代码已解压
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。