UC Berkeley EECS182/282A：Deep Neural Networks（2025 秋）

请帮我把「UC Berkeley EECS182/282A：Deep Neural Networks（2025 秋）」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://berkeley-cs182.github.io/fa25/
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：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：HW0–14 含书面题和代码，按周结合讨论课。正式修课通过 Gradescope 提交，非代码部分按课程要求手写；不要公开上传课程材料、作业答案或把公开链接当作再分发许可。
课节（官方顺序）：
1. Aug 28：Introduction/Administrivia：https://berkeley-cs182.github.io/fa25/
2. Sep 2：Basic Principles：https://berkeley-cs182.github.io/fa25/
3. Sep 4：Optimization: implicit regularization, SGD, and momentum：https://berkeley-cs182.github.io/fa25/
4. Sep 9：Optimization: Adam, taking a locally linear perspective, and what is a feature anyway：https://berkeley-cs182.github.io/fa25/
5. Sep 11：Optimizers：https://berkeley-cs182.github.io/fa25/
6. Sep 16：Optimizers: insights from induced matrix norms：https://berkeley-cs182.github.io/fa25/
7. Sep 18：muP: maximal update parameteriation：https://berkeley-cs182.github.io/fa25/
8. Sep 23：Optimizers: MuON：https://berkeley-cs182.github.io/fa25/
9. Sep 25：Conv-nets: basics：https://berkeley-cs182.github.io/fa25/
10. Sep 30：Pooling/Downsampling, Data Augmentation, Normalization Layers：https://berkeley-cs182.github.io/fa25/
11. Oct 2：Finish Normalization, Dropout and start ResNets：https://berkeley-cs182.github.io/fa25/
12. Oct 7：Finish ResNets, fully convolutional nets and U-nets：https://berkeley-cs182.github.io/fa25/
13. Oct 9：Graph Neural Nets：https://berkeley-cs182.github.io/fa25/
14. Oct 14：DiffPool and finish GNNs, Start RNNs：https://berkeley-cs182.github.io/fa25/
15. Oct 16：RNNs and Self-Supervision：https://berkeley-cs182.github.io/fa25/
16. Oct 21：Finish Self-Supervision and Start State-Space Models：https://berkeley-cs182.github.io/fa25/
17. Oct 23：Finish State-Space Models：https://berkeley-cs182.github.io/fa25/
18. Oct 28：Attention and Transformers：https://berkeley-cs182.github.io/fa25/
19. Oct 30：Transformers：https://berkeley-cs182.github.io/fa25/
20. Nov 4：Finish Transformers：https://berkeley-cs182.github.io/fa25/
21. Nov 6：In-context learning, prompting and PEFT: Soft-prompting and LoRA：https://berkeley-cs182.github.io/fa25/
22. Nov 13：Finish PEFT and start Transfer Learning：https://berkeley-cs182.github.io/fa25/
23. Nov 18：Meta-Learning：https://berkeley-cs182.github.io/fa25/
24. Nov 20：Generative Models：https://berkeley-cs182.github.io/fa25/
25. Nov 25：Post-training：https://berkeley-cs182.github.io/fa25/
26. Dec 2：Generative Models：https://berkeley-cs182.github.io/fa25/
27. Dec 4：Generative Models：https://berkeley-cs182.github.io/fa25/

1. 环境
- 安装 Python 3；在课程目录执行 python3 -m venv .venv，并使用 .venv/bin/python 执行后续 Python 命令。
- HW0 官方 starter 的 README 推荐 Colab，另给 Python 3.8、Jupyter、numpy==1.21.6、imageio==2.9.0、matplotlib==3.2.2 的 Conda 示例；notebook 也允许 Python virtualenv。按所选方式隔离依赖，不把最新 Python 与旧版固定依赖混装。先执行配置与导入单元，CIFAR-10 下载和后续训练单独准备。
- Compute Portal 和录像可能需要 Berkeley 账号；无权限时只用公开作业与合法公开材料，不能复制未核验的校内配置。
- 课程禁止向 CourseHero/Chegg 等站点上传材料；每课提示词只辅助理解和环境准备，个人作业独立完成。
- 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
- 官方课表、HW0–14 PDF 与代码：只记录链接 https://berkeley-cs182.github.io/fa25/（官方 HW0 PDF 明确允许下载 starter 供 Colab 或本机个人学习；页脚保留全部权利，未经明确许可不可公开分享。网站保留官方链接，不镜像作业或答案。）
- 作业和材料使用政策：只记录链接 https://berkeley-cs182.github.io/fa25/policies/（仅保存官方链接；未核定此材料的复制许可，不自动下载或镜像。）
3. 目录（最外层放在我确认的位置）
berkeley-eecs182-fa25/
├── 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-lesson-01/
    ├── 02-lesson-02/
    ├── 03-lesson-03/
    ├── 04-lesson-04/
    ├── 05-lesson-05/
    ├── 06-lesson-06/
    ├── 07-lesson-07/
    ├── 08-lesson-08/
    ├── 09-lesson-09/
    ├── 10-lesson-10/
    ├── 11-lesson-11/
    ├── 12-lesson-12/
    ├── 13-lesson-13/
    ├── 14-lesson-14/
    ├── 15-lesson-15/
    ├── 16-lesson-16/
    ├── 17-lesson-17/
    ├── 18-lesson-18/
    ├── 19-lesson-19/
    ├── 20-lesson-20/
    ├── 21-lesson-21/
    ├── 22-lesson-22/
    ├── 23-lesson-23/
    ├── 24-lesson-24/
    ├── 25-lesson-25/
    ├── 26-lesson-26/
    └── 27-lesson-27/
- 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 --version  → 当前课程独立环境输出 Python 3 版本；macOS/Linux 若使用 python3，应在生成 check-env 时按实际解释器改写。
  - 人工检查：打开 HW0 Basics 的 Written 与 Code 入口；只在有权使用代码后测试导入并记录，未运行时不得标通过  → 能打开指定材料并核对标题；此项是人工检查，不是终端命令，也不代表课程练习已完成。
- 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。