几何深度学习 (Geometric Deep Learning)
Introduction (课程介绍)
本课程一周三次课，安排紧凑。课程内容主要分为两大部分：
1. 基础知识（~40学时）： 结合《动手学深度学习》进行讲解。
2. 几何深度学习（~40学时）：
聚焦非欧数据建模，涵盖点云、体素与八叉树、图结构（Graph）、网格，参数化表示、隐式函数等几何表征方法，解析如何将深度学习推广至三维视觉、材料设计等场景。
课程目标： 熟悉AI的基础知识与常见的几何表达；熟悉常见的几何表达下的AI算法与应用；熟悉AI相关代码的撰写，能够利用AI来完成指定任务。
课程考核： 本课程没有考试，全凭代码作业进行考核。总成绩由9次小作业（9*8 =
72分）和1次大作业（28分）构成。请通过QQ群接收和提交作业。课程鼓励大家直接用AI完成作业（甚至不写一行与作业相关的代码），但不管采用什么形式，核心要求是把作业写对。
Resources (学习资源)
1. 核心教材：《动手学深度学习》第二版 (中文版)
2. 备用链接：D2L 课程主页
Assignments (暂定作业安排)
第1周：深度学习基础与PyTorch入门
学习内容：神经网络前向/反向传播、损失函数、优化器。
代码作业：配置Python、PyTorch、CUDA环境，跑通demo程序。
作业文档：作业文档下载 (.md)
第2周：MLP介绍
代码作业：用PyTorch在MNIST数据集上训练一个全连接网络。
作业文档：作业文档下载 (.md)
第3周：CNN介绍
代码作业：在Kaggle Dogs vs Cats上做猫狗分类。
作业文档：作业文档下载 (.md)
第4周：Transformer介绍
代码作业：使用Hugging
Face的Seq2SeqTrainer和Seq2SeqTrainingArguments，在WMT14的small版本上微调Helsinki-NLP开源的英德翻译模型（Helsinki-NLP/opus-mt-en-de），并评估模型在测试集上的表现（如使用BLEU分数）。
第5周：GNN
代码作业：利用GNN做Cora数据集的节点分类任务。
第6周：点云相关处理
代码作业：复现PointNet的核心模块，在ModelNet10数据集上进行点云分类。
第7周：体素相关处理
代码作业：使用3DCNN卷积做特征提取或分类。
第8周：SDF相关处理
代码作业：复现DeepSDF网络，学习一个形状类别的符号距离函数（SDF）。
第9周：BRep相关处理
代码作业：使用图神经网络对BRep表示的数据进行简单分类（例如，区分不同的基本几何体，如立方体、圆柱、球体等）。
第10-13周：课程大作业 (5选1)
• 选项A：在已有PointNet++代码中，加入一个简单的注意力层，并评估效果。
• 选项B：在BRep的GNN网络中加入MASK，通过自监督学习后迁移到分类任务。
• 选项C：考虑在DeepSDF学到的latent space里做diffusion来生成新的SDF。
• 选项D：将三角网格与Transformer结合作网格分割。
• 选项E：将体素中的3DCNN替换为其他结构实现更好的分类或者分割。