Yann LeCun深度学习公开课4万字笔记，125页干货都在这了

---

  视学算法报道  

编辑：David 好困

【新智元导读】Yann LeCun大师课程，搭配120页笔记食用效果更佳。

喜欢深度学习？最好的方法就是在线课程。

这里推荐图灵奖得主、纽约大学教授Yann LeCun主讲的在线课程。

该课程最重要的优点是，它集成了LeCun对深度学习的思考。通过这门课，学习者可以了解深度学习的现状，特别是关于自监督学习、挑战、提议的解决方案和未来计划。

课程地址：https://www.youtube.com/playlist?list=PLLHTzKZzVU9e6xUfG10TkTWApKSZCzuBI

要说这门课主要的「缺点」？

可能就是LeCun的教学风格不像吴恩达那样对学生友好，但过了一段时间，你就会渐渐习惯，而且回报远远大于成本。

三选一，为什么选NYU的？

前一段时间开始，我一直在寻找一个好的在线深度学习课程，最终选出的三门课包括：

纽约大学深度学习课程 SP21（Yann LeCun主讲）

斯坦福大学深度学习课程 CS231N（李飞飞主讲）

Coursera 深度学习课程 （吴恩达主讲）

当然，这三门课都是无需多言的DL精品课程，主讲人都是AI业界鼎鼎大名的计算机科学家，如果你有时间可以都学，但如果时间有限，就需要做出选择。

三大名家课程中，为什么选NYU的？

一个非常重要的原因就是，NYU的课程讲了自监督学习。

上面这三门课，以及你在网上能找到的其他大部分课程，都包含了很多共同的内容，比如反向传播、CNN、RNN、GAN、Transformer、分类实例和一些实用技巧等。

无论什么课程，你都会听到这些东西，只是可能教学风格偏好不同。

不过在大多数课程中，一般主要是讲是监督学习。

而纽约大学的课程更专注于自监督学习，Yann LeCun认为，自监督学习是AI未来的一个基本支柱。

本课程有两位导师，Yann LeCun本人和Alfredo Canziani分别专注于理论和实践。Yann LeCun无需介绍，Alfredo是纽约大学的计算机科学的助理教授。

该课程内容非常广泛，涵盖了很多东西，大部分时间的深度也足够。课程时长大约50个小时，信息点密集。

这是一场马拉松，而不是一场短跑。

Alfredo为这门课开了个Github页面，里面有很多资源，包括一些超级有用的jupyter notebook和可运行的代码，并列出了为期15周的学习计划。

他甚至还对youtube视频下的评论做了回应。还有来自FAIR实验室（Facebook人工智能研究实验室）的客座讲师，介绍他们在CV和NLP方面的最新工作。

课程主题

课程的主题之一是处理不确定性的方法。LeCun的观点是，智能体的一个基本组成部分，是其做出良好预测的能力。这需要一个世界模型，一个能够接收世界状态和行动的模块，并能预测世界的一些未来状态。

不过，建立这些模型的一个主要挑战是，世界是随机的，包含很多不确定性。一个典型的例子是坠落的铅笔。如果把一支铅笔直立在桌子上，让它掉下来，无法预测它到底会落在哪里。

现在我们对世界的状态没有完整的了解，所以无法做一个确定性的决定。在这些情况下，一个输入有许多貌似合理的输出。在世界的某个状态之下，下一步可能跟着几个可信的未来状态之一。

那么，我们怎样才能在深度学习中处理这个问题呢？这就是基于能量的模型所要解决的问题。处理不确定性。更确切地说，学习在不确定性下做良好的预测。

而同样重要的是，智能体应该能够主要通过观察来学习这个世界模型，就像动物所做的那样，使用无标签的数据。这就是为什么自监督学习如此重要的原因。

标签来自于观察。你预测下一个状态，等待，下一个状态出现，你就有了你的标签。或者你隐藏了一个句子的部分内容，然后试图预测作为标签的缺失单词。

根据LeCun的说法，要处理不确定性，预测世界模型的最佳途径，是用非反常的正则化方法训练的联合嵌入架构。如果你上了LeCun的这门课，就会理解为什么、怎么训练。

这是2018年的一个项目。在这个项目中，智能体在像素空间中进行预测，这要求对世界的学习表征必须包含很多细节，以便能够预测一个完整的视频帧。

相反，使用一个在表征空间中预测的世界模型会更好，因为表征空间的维度更低，所以不必学习预测所有不相关的细节。

另一个在课程中没有提到的，是分层的JEPA模型（联合嵌入预测架构），这是LeCun提出的用于创建自主智能体的新建议。

新的智能体在表示空间中进行预测，可以制定分层的行动计划，面向未来有更长的计划。但截至目前，这个方法（截至2022年），有很多挑战。

课程挑战

LeCun试图通过他的基于能量的框架来解释事情，这可能有点令人困惑，至少在一开始。也有一些部分，他非常抽象地解释事物，在一个正式的框架内进行定义，你必须耐心地跟上他的思路。

在有一些讲里，他为深度学习中的一些基本概念提供了数学证明。你可能喜欢，也可能不喜欢，取决于你对数学的兴趣和能力。

50个小时很长，很难一口气看完。有时不得不暂停，思考，做笔记，很多地方需要再重新看，才觉得足够舒服。

先修知识：需要懂点ML基础和线代

本课程至少要了解机器学习和线性代数的基础知识。这方面的优秀课程也不少，如吴恩达的机器学习课程和3Blue1Brown的线性代数课程。麻省理工学院的Gilbert Strang的简明课程也是对线性代数的一个很好的高水平概述。

另外，如果对反向传播的工作原理有一些基本的了解，对于也是很有帮助的。3Blue1Brown也有一个关于反向传播的简短说明，他以非常直观的方式解释了整个过程。

最后放上学习笔记。(包含大量的图片，所以docx文件相当大...)，笔记比较长，无法在线查看。

笔记里边有听课时对授课内容的一些理解和推导。比如：

反向传播算法的推导：

梯度的计算：

什么是残差网络，残差网络为什么这么好用：

甚至，为了便于大家理解，还加入了动图：

课程笔记下载地址（4W字word文档）：

https://drive.google.com/file/d/1F2MtqLlLFmxYcpXRRd-kSz8Csi2VSgmZ/view

点个在看 paper不断！