幾個月前，紅色石頭髮文介紹過一份在 GitHub 上非常火爆的專案，名為：DeepLearning-500-questions，中文譯名：深度學習 500 問。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。
該熱門專案一直在不斷更新，作者本著開源精神，不斷有新的貢獻者在完善專案。如今，全書已達 50 餘萬字，分為 18 個章節。
首先，直接放上專案地址：
https://github.com/scutan90/DeepLearning-500-questions
目前該專案已有 2.6w stars 了！只要是內容都是乾貨，超全！
下面，我們來看一看該專案有哪些硬核乾貨吧！
全書目錄
該專案更確切地說是一本深度學習面試手冊，500 問，非常詳細。全書共分為 18 章，近 50 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
主要內容
全書內容非常豐富，持續更新和完善中。下面我們列舉一些知識點給讀者一睹為快！
1. 各種常見演算法（第 2 章）
日常使用機器學習的任務中，我們經常會遇見各種演算法，如下圖所示。
2. 支援向量機（第 2 章）
支援向量：在求解的過程中，會發現只根據部分資料就可以確定分類器，這些資料稱為支援向量。
支援向量機（Support Vector Machine，SVM）：其含義是透過支援向量運算的分類器。
在一個二維環境中，其中點R，S，G點和其它靠近中間黑線的點可以看作為支援向量，它們可以決定分類器，即黑線的具體引數。
支援向量機是一種二分類模型，它的目的是尋找一個超平面來對樣本進行分割，分割的原則是邊界最大化，最終轉化為一個凸二次規劃問題來求解。
3. 常用的神經網路結構（第 3 章）
下圖包含了大部分常用的模型：
4. 多分類 Softmax（第 3 章）
下圖包含了 Softmax 層的詳細過程和推導：
5. 經典網路結構（第 4 章）
本章主要介紹幾個具有代表性的神經網路模型。
LeNet-5
LeNet-5 模型是 Yann LeCun 於 1998 年提出來的，它是第一個成功應用於數字識別問題的卷積神經網路。在 MNIST 資料中，它的準確率達到大約 99.2%。典型的 LeNet-5 結構包含卷積層、池化層和全連線層，順序一般是：卷積層->池化層->卷積層->池化層->全連線層->全連線層->輸出層。
同時給出了 LeNet-5 的網路引數配置：
AlexNet
AlexNet 是 2012 年 ImageNet 競賽冠軍獲得者 Hinton 和他的學生 Alex Krizhevsky 設計的。AlexNet 可以直接對彩色的大圖片進行處理，對於傳統的機器學習分類演算法而言，它的效能相當的出色。AlexNet 是由 5 個卷積層和 3 個全連線層組成，順序一般是：卷積層->池化層->卷積層->池化層->卷積層->卷積層->卷積層->池化層->全連線層->全連線層->輸出層。
AlexNet 的網路引數配置：
6. 全連線、區域性連線、全卷積與區域性卷積（第 5 章）
全連線、區域性連線、全卷積與區域性卷積的對比和解釋如下：
評價
整個專案包含的內容非常多，這裡就不再贅述。乾貨很硬，大家不要錯過了這份資源。再次附上鍊接：
https://github.com/scutan90/DeepLearning-500-questions
總的來說，這份資源不是一本深度學習的系統教材，而是一份完整的、詳細的深度學習知識點精煉手冊。對於面試、自我測驗來說非常有幫助！一句話：硬核乾貨，值得收藏！
資源下載
最後，這份完整的深度學習 500 問資源我已經為大家打包完畢！需要的可以按照以下方式獲取：
1.掃描下方二維碼關注 “AI有道” 公眾號
2.公眾號後臺回覆關鍵詞：DL500
