张宇伦 · 人工智能技术与前沿应用修读档案

85分以上不得超过35%这一刀砍下来，直接把我稳稳卡在绩点地板上。

老师科研是卷王天花板，但授课水平——三个字，非常非常非常一般，就是那种你本来不会这玩意儿，上完课你还是不会这玩意儿。后期的课基本是拿没coding基础的同学当空气，大作业（占比50%）出来的时候离期末周不到一个月，中期退课的口子早就焊死了。大作业每组发一张3090-24G当传家宝，部分摘录： > 本课程项目以轻量级图像超分辨率（Super-Resolution, SR）为主题，要求同学在模型参数量受限（0.5M）的前提下，设计并实现一个能够有效提升图像超分辨率重建性能的深度学习模型。项目旨在综合考察大家在模型设计与实现、实验设计与结果分析、工程规范与复现、以及团队协作与表达等多个方面的能力。 > > 所有同学需以小组为单位完成本次项目，六人组成一个小组，每位同学必须且只能参加一个小组。鼓励组内进行合理分工，例如有人侧重模型结构设计与代码实现，有人负责训练与调参，有人负责可视化与结果分析，还有人负责撰写报告和准备汇报，但最终成果属于全组共同完成。在项目报告中，建议简要说明各成员的主要贡献，以体现团队协作过程。 > > 本项目的核心任务是：在给定的训练和测试数据集设置下，针对轻量级图像超分辨率任务进行性能提升。训练数据集统一采用 DF2K，测试数据集统一采用经典的 Set5 数据集。同学们需要在 DF2K 上对所设计的模型进行训练与调参，并在 Set5 上进行统一评测。放大比例采用 x2倍率，要求在相同评测配置下对 Bicubic 插值方法和你们的小组模型进行公平对比，包括使用相同的颜色空间（仅在 Y 通道上计算 PSNR）以及相同的裁剪策略（去除边缘2像素）。 > > 需要上交以CVPR 2026的论文模板，使用Latex语言，全文采用英文的报告与源码，并且给一个课上答辩。 课程中一共7次作业，助教在课上反复念叨报告得有多好看，并且能因为“没展现出思考”这种理由，把基本做完了的作业给你刀了。 *** 课程那些难受的地方大概这么几摊： 1. 工作量整得跟马拉松一样长。2学分通识课，7份格式得规规矩矩凑齐的报告+1个大作业（还得训练+答辩+LaTeX报告写得漂亮，组内给分一条绳子拴死，你现在明白了为什么用博弈论视角下每个人都会选择“躺着吧”），对于摸过一点DL、CV的同学真的属于喝水难度，但对于就是想过来尝尝基础AI是啥味儿的“通识课”型朋友，这套操作下来只有一个词形容——只负责筛选，不负责上课，极致的筛选性; 2. 课堂画风弥漫着草台班子气息，整体体验可以总结为破财消灾式的选修。人家既然是CV老兵、头部网红导师，科研才是真主业，接这个通识课更像个课余打卡项目，但是草台般的讲法和随机漂移的代码演示着实是没在不会这块门路的学生身上追加太多可到账知识。前期教材部分是直接借来用Stanford CS188的现成内容，缝合效果和原作可完全打不着关系。就是靠喝奶茶送小礼物这一招，保持着教室里一点点说不清氛围; 3. 给分就跟拨号一样抖。开课时大纲写的成绩构成是10%课堂+40%课程项目+50%作业，最后公布的构成是20%课堂表现+30%项目+50%作业——而且课堂表现就采样飘忽，随机一抽就给出了表现分，问你今天没点到，就是你没表现到，课内分见罚四分。 *** 要说这门课耀眼的地方，也有： 1. 老师做科研那确实是天花板级的硬，而且课上一聊就忍不住给你讲讲自己早期写的许多影响力论文; 2. 老师这一轮大作业给算力给我们随意造，助教也维护了一份不错的code base，回话回得快，真上去稍微动了一点手就能混到性能上的分数加成; 3. 老师会安排组里的学生来做工作分享，分享一下里面近期的轻量化 Diffusion-based 方向和前沿界的一线视角; 4. 之前从还没接触过 SR 的我，搞完这套大作业，SR我总算是整明白了个大概，也可以说是知道了一点门槛——现实在知识量上算是被充值过一次了。 *** 总结一下就是把“不那么合理”当修饰词可以贴它标签但还绝不至于推着这课下楼的程度的一门通识课。只要你现在选课期间没那么拥挤得无法呼吸、而且在AI这块摸过一点门道，它算是一个可以贡献进工程模块学分的备选，**就是不确定之后大作业会不会每年都得做下去**，顺手说一句隔壁AI1003 就是一堆分享新工作玩的东西，是拿Pre展示的课。 不管怎么说这学期的助教老老实实在干活，老师人也是和和气气的，还是得给他们上一杯谢茶。