近年來，深度學習技術在計算機視覺（CV）、自然語言處理（NLP）等熱門領域都取得了非常大的進展。深度學習的資料也層出不窮。相信很多入門深度學習的讀者面對海量資源的時候，很容易陷入到一種迷茫的狀態。簡單來說，就是選擇越多，越容易讓人陷入無從選擇的困境。
今天，給大家推薦一個火爆 GitHub 的專案。該專案名稱是 DeepLearning-500-questions，作者是川大的一名優秀畢業生談繼勇。該專案以深度學習面試問答形式，收集了 500 個問題和答案。內容涉及了常用的機率知識、線性代數、機器學習、深度學習、計算機視覺等熱點問題。
目前該專案總共獲得了 1.8w stars。專案地址為：
https://github.com/scutan90/DeepLearning-500-questions
主要內容：
該專案分為 18 個章節，近 30 萬字，目錄如下：
- 數學基礎
-
機器學習基礎
-
深度學習基礎
-
經典網路
-
卷積神經網路（CNN）
-
迴圈神經網路（RNN）
-
生成對抗網路（GAN）
-
目標檢測
-
影像分割
-
強化學習
-
遷移學習
-
網路搭建及訓練
-
最佳化演算法
-
超引數除錯
-
GPU 和框架選型
-
自然語言處理（NLP）
-
模型壓縮、加速及移動端部署
-
後端架構選型、離線及實時計算
-
專案內容非常豐富，下面，我們來挑選挑選前幾個重要章節進行簡要介紹。
第一章 數學基礎
這一章主要介紹了機器學習、深度學習必備的數學基礎，包含線性代數、機率論在內的總共 17 道問題和解答。
例如列舉了常見的機率分佈：
第二章 機器學習基礎
這一章主要介紹了機器學習的常見演算法型別以及機器學習重要的核心知識點，例如代價函式、梯度下降、評估效能指標等。總共包含了 70 多道問題。
例如列舉的常見的機器學習演算法型別：
第三章 深度學習基礎
這一章主要介紹神經網路的基本概念和基礎知識，包括神經網路前向傳播、啟用函式、反向傳播以及神經網路模型的最佳化方法和超引數除錯等等。總共涉及了 50 多道問題。
例如列舉神經網路常用的模型：
第四章 經典網路
本章主要介紹了幾種經典網路，包括 LeNet-5、AlexNet、視覺化ZFNet-解卷積、VGGNet、GoogleNet的模型結構及模型解讀等。總共涉及了 40 多道問題。
LeNet-5
AlexNet
卷積視覺化
VGGNet
GoogleNet
總的來說，《深度學習 500 問》基本涉及了深度學習領域的完整知識體系，並對每個問題都作了詳細的講解和總結。感謝作者的整理和開源，希望對大家有所幫助！
硬核乾貨，值得收藏！
最後，再次附上該專案地址：
https://github.com/scutan90/DeepLearning-500-questions
