CMU 11-785：Introduction to Deep Learning（2026 秋）

请帮我把「CMU 11-785：Introduction to Deep Learning（2026 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://deeplearning.cs.cmu.edu/F26/index.html
我的系统：Windows。如果实际不符，先调整方案。
本次路线：在线学习。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：官方HW1–4包含基础实现与Kaggle任务；HW1还列Bonus和Autograd。按F26作业手册准备数据、运行小样例，再由学习者独立实现。Canvas、Gradescope与Kaggle权限分别核对；课程项目要求以F26 syllabus为准。
课节（官方顺序）：
1. Lecture 0: Course Logistics Learning Objectives Grading Deadlines：https://deeplearning.cs.cmu.edu/F26/pages/tables/lectures_table.html
2. Lecture 1: Introduction：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec1.intro.pdf
3. Lecture 2: Neural Nets As Universal Approximators：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec2.universal.pdf
4. Lecture 3: Training Part I The Problem of Learning Empirical Risk Minimization：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec3.learning.pdf
5. Lecture 4: Training Part II Gradient Descent Training the Network：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec4.learning.pdf
6. Lecture 5: Training Part III Backpropagation Calculus of Backpropagation：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec5.BP.pdf
7. Lecture 6: Training Part IV Convergence issues Loss Surfaces Momentum：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec6_convergence.pdf
8. Lecture 7: Training Part V Optimization Batch Size, SGD, Mini-batch, Second-order Methods：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec7.stochastic_gradient.pdf
9. Lecture 8: Training Part VI Optimizers and Regularizers Choosing a Divergence (Loss) Function Batch Normalization Dropout：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec8.optimizersandregularizers.pdf
10. Lecture 9: Convolutional Neural Networks (CNNs) I：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec9.CNN1.pdf
11. Lecture 10: CNNs II：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec10.CNN2.pdf
12. Lecture 11: CNNs III：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec11.CNN3.pdf
13. Lecture 12: CNNs IV：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec12.CNN4.pdf
14. Lecture 13: Recurrent Neural Networks (RNNs) I：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec13.recurrent.pdf
15. Lecture 14: RNNs II：https://deeplearning.cs.cmu.edu/F26/documents/slides/lec14.recurrent.pdf
16. Lecture 15: Sequence to Sequence Models Connectionist Temporal Classification (CTC)：https://deeplearning.cs.cmu.edu/F26/index.html
17. Lecture 16: Connectionist Temporal Classification Blanks Beam Search：https://deeplearning.cs.cmu.edu/F26/index.html
18. Lecture 17: Language Models Translation：https://deeplearning.cs.cmu.edu/F26/index.html
19. Lecture 18: Attention Models Transformers：https://deeplearning.cs.cmu.edu/F26/index.html
20. Lecture 19: Transformers and Newer Architectures：https://deeplearning.cs.cmu.edu/F26/index.html
21. Lecture 20: Large Language Models：https://deeplearning.cs.cmu.edu/F26/index.html
22. Lecture 21: Representation and Autoencoders：https://deeplearning.cs.cmu.edu/F26/index.html
23. Lecture 22: Variational Auto Encoders：https://deeplearning.cs.cmu.edu/F26/index.html
24. Lecture 23: Normalizing Flows and Diffusion：https://deeplearning.cs.cmu.edu/F26/index.html
25. Lecture 24: Generative Adversarial Networks：https://deeplearning.cs.cmu.edu/F26/index.html
26. Lecture 25: Graph Neural Networks：https://deeplearning.cs.cmu.edu/F26/index.html
27. Lecture 26: Hopfield Networks：https://deeplearning.cs.cmu.edu/F26/index.html
28. Lecture 27: Boltzmann Machines：https://deeplearning.cs.cmu.edu/F26/index.html
29. Lecture 28: Homework 1-4 Debrief and Deployment：https://deeplearning.cs.cmu.edu/F26/index.html

1. 环境
- 使用浏览器打开官方材料；在个人课程目录保存笔记、作答与链接。无需为阅读安装命令行环境。
- 有登录、选课或付费要求的材料，先核对自己已有的访问权限；不绕过限制。
- 先读取F26当前作业的依赖单元与数据说明，再创建隔离Python环境；CPU用于小样例，训练所需GPU由作业决定。
- 如使用Kaggle，先检查账号、数据竞赛许可与可用计算配额；若需租GPU或上传私人数据，先确认费用和范围。
- F26公开课表可读；Lecture 0原Google Slides链接访问受限，先从官方课表核对。作业与GPU环境需当期权限，不保证校外自学可提交。
- 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
- 官方课程表、材料与作业入口：只记录链接 https://deeplearning.cs.cmu.edu/F26/index.html（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
- F26作业入口：只记录链接 https://deeplearning.cs.cmu.edu/F26/pages/tables/assignments_table.html（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
3. 目录（最外层放在我确认的位置）
cmu-11785-fall2026/
├── 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.md     # 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/
    ├── 28-lesson-28/
    └── 29-lesson-29/
- 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.md，逐项检查并记录“通过/未通过”：
- 按浏览器或在线 notebook 清单检查，不为自检安装本机终端。
  - 人工检查：打开首课官方链接并找到对应标题  → 能阅读首课；登录受限时记录受限材料，不把链接存在当作可访问。
  - 人工检查：在有访问权的F26作业环境中运行 import numpy; import torch; print(torch.__version__)  → 模块导入成功；记录CPU/GPU状态，不以显卡不存在认定全部阅读学习失败。
- 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。