來源：Datawhale
幾個(gè)月前，紅色石頭發(fā)文介紹過一份在 GitHub 上非?；鸨捻?xiàng)目，名為：DeepLearning-500-questions，中文譯名：深度學(xué)習(xí) 500 問。作者是川大的一名優(yōu)秀畢業(yè)生談繼勇。該項(xiàng)目以深度學(xué)習(xí)面試問答形式，收集了 500 個(gè)問題和答案。內(nèi)容涉及了常用的概率知識、線性代數(shù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺等熱點(diǎn)問題。
該熱門項(xiàng)目一直在不斷更新，作者本著開源精神，不斷有新的貢獻(xiàn)者在完善項(xiàng)目。如今，全書已達(dá) 50 余萬字，分為 18 個(gè)章節(jié)。
首先，直接放上項(xiàng)目地址：
https://github.com/scutan90/DeepLearning-500-questions
目前該項(xiàng)目已有 2.6w stars 了！只要是內(nèi)容都是干貨，超全！
下面，我們來看一看該項(xiàng)目有哪些硬核干貨吧！
全書目錄
該項(xiàng)目更確切地說是一本深度學(xué)習(xí)面試手冊，500 問，非常詳細(xì)。全書共分為 18 章，近 50 萬字，目錄如下：
數(shù)學(xué)基礎(chǔ)
機(jī)器學(xué)習(xí)基礎(chǔ)
深度學(xué)習(xí)基礎(chǔ)
經(jīng)典網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)（CNN）
循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
生成對抗網(wǎng)絡(luò)（GAN）
目標(biāo)檢測
圖像分割
強(qiáng)化學(xué)習(xí)
遷移學(xué)習(xí)
網(wǎng)絡(luò)搭建及訓(xùn)練
優(yōu)化算法
超參數(shù)調(diào)試
GPU 和框架選型
自然語言處理（NLP）
模型壓縮、加速及移動(dòng)端部署
后端架構(gòu)選型、離線及實(shí)時(shí)計(jì)算
主要內(nèi)容
全書內(nèi)容非常豐富，持續(xù)更新和完善中。下面我們列舉一些知識點(diǎn)給讀者一睹為快！
1. 各種常見算法（第 2 章）
日常使用機(jī)器學(xué)習(xí)的任務(wù)中，我們經(jīng)常會遇見各種算法，如下圖所示。
2. 支持向量機(jī)（第 2 章）
支持向量：在求解的過程中，會發(fā)現(xiàn)只根據(jù)部分?jǐn)?shù)據(jù)就可以確定分類器，這些數(shù)據(jù)稱為支持向量。
支持向量機(jī)（Support Vector Machine，SVM）：其含義是通過支持向量運(yùn)算的分類器。
在一個(gè)二維環(huán)境中，其中點(diǎn)R，S，G點(diǎn)和其它靠近中間黑線的點(diǎn)可以看作為支持向量，它們可以決定分類器，即黑線的具體參數(shù)。
支持向量機(jī)是一種二分類模型，它的目的是尋找一個(gè)超平面來對樣本進(jìn)行分割，分割的原則是邊界最大化，最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題來求解。
3. 常用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（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(xì)過程和推導(dǎo)：
5. 經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)（第 4 章）
本章主要介紹幾個(gè)具有代表性的神經(jīng)網(wǎng)絡(luò)模型。
LeNet-5
LeNet-5 模型是 Yann LeCun 于 1998 年提出來的，它是第一個(gè)成功應(yīng)用于數(shù)字識別問題的卷積神經(jīng)網(wǎng)絡(luò)。在 MNIST 數(shù)據(jù)中，它的準(zhǔn)確率達(dá)到大約 99.2%。典型的 LeNet-5 結(jié)構(gòu)包含卷積層、池化層和全連接層，順序一般是：卷積層->池化層->卷積層->池化層->全連接層->全連接層->輸出層。
同時(shí)給出了 LeNet-5 的網(wǎng)絡(luò)參數(shù)配置：
AlexNet
AlexNet 是 2012 年 ImageNet 競賽冠軍獲得者 Hinton 和他的學(xué)生 Alex Krizhevsky 設(shè)計(jì)的。AlexNet 可以直接對彩色的大圖片進(jìn)行處理，對于傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法而言，它的性能相當(dāng)?shù)某錾?。AlexNet 是由 5 個(gè)卷積層和 3 個(gè)全連接層組成，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->全連接層->全連接層->輸出層。
AlexNet 的網(wǎng)絡(luò)參數(shù)配置：
6. 全連接、局部連接、全卷積與局部卷積（第 5 章）
全連接、局部連接、全卷積與局部卷積的對比和解釋如下：
評價(jià)
整個(gè)項(xiàng)目包含的內(nèi)容非常多，這里就不再贅述。干貨很硬，大家不要錯(cuò)過了這份資源。
總的來說，這份資源不是一本深度學(xué)習(xí)的系統(tǒng)教材，而是一份完整的、詳細(xì)的深度學(xué)習(xí)知識點(diǎn)精煉手冊。對于面試、自我測驗(yàn)來說非常有幫助！一句話：硬核干貨，值得收藏！
