《深度學習 500 問》已更新，GitHub 標星 2.6W

來源：Datawhale

幾個月前，紅色石頭髮文介紹過一份在 GitHub 上很是火爆的項目，名爲：DeepLearning-500-questions，中文譯名：深度學習 500 問。做者是川大的一名優秀畢業生談繼勇。該項目以深度學習面試問答形式，收集了 500 個問題和答案。內容涉及了經常使用的機率知識、線性代數、機器學習、深度學習、計算機視覺等熱點問題。

該熱門項目一直在不斷更新，做者本着開源精神，不斷有新的貢獻者在完善項目。現在，全書已達 50 餘萬字，分爲 18 個章節。

首先，直接放上項目地址：

https://github.com/scutan90/DeepLearning-500-questions

目前該項目已有 2.6w stars 了！只要是內容都是乾貨，超全！

下面，咱們來看一看該項目有哪些硬核乾貨吧！

全書目錄

該項目更確切地說是一本深度學習面試手冊，500 問，很是詳細。全書共分爲 18 章，近 50 萬字，目錄以下：

• 數學基礎

• 機器學習基礎

• 深度學習基礎

• 經典網絡

• 卷積神經網絡（CNN）

• 循環神經網絡（RNN）

• 生成對抗網絡（GAN）

• 目標檢測

• 圖像分割

• 強化學習

• 遷移學習

• 網絡搭建及訓練

• 優化算法

• 超參數調試

• GPU 和框架選型

• 天然語言處理（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

全書內容很是豐富，持續更新和完善中。下面咱們列舉一些知識點給讀者一睹爲快！

1. 各類常見算法（第 2 章）

平常使用機器學習的任務中，咱們常常會碰見各類算法，以下圖所示。

2. 支持向量機（第 2 章）

支持向量：在求解的過程當中，會發現只根據部分數據就能夠肯定分類器，這些數據稱爲支持向量。

支持向量機（Support Vector Machine，SVM）：其含義是經過支持向量運算的分類器。

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能夠看做爲支持向量，它們能夠決定分類器，即黑線的具體參數。

支持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，最終轉化爲一個凸二次規劃問題來求解。

3. 經常使用的神經網絡結構（第 3 章）

下圖包含了大部分經常使用的模型：

4. 多分類 Softmax（第 3 章）

下圖包含了 Softmax 層的詳細過程和推導：

5. 經典網絡結構（第 4 章）

本章主要介紹幾個具備表明性的神經網絡模型。

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絡。在 MNIST 數據中，它的準確率達到大約 99.2%。典型的 LeNet-5 結構包含卷積層、池化層和全鏈接層，順序通常是：卷積層->池化層->卷積層->池化層->全鏈接層->全鏈接層->輸出層。

同時給出了 LeNet-5 的網絡參數配置：

AlexNet

AlexNet 是 2012 年 ImageNet 競賽冠軍得到者 Hinton 和他的學生 Alex Krizhevsky 設計的。AlexNet 能夠直接對彩色的大圖片進行處理，對於傳統的機器學習分類算法而言，它的性能至關的出色。AlexNet 是由 5 個卷積層和 3 個全鏈接層組成，順序通常是：卷積層->池化層->卷積層->池化層->卷積層->卷積層->卷積層->池化層->全鏈接層->全鏈接層->輸出層。

AlexNet 的網絡參數配置：

6. 全鏈接、局部鏈接、全卷積與局部卷積（第 5 章）

全鏈接、局部鏈接、全卷積與局部卷積的對比和解釋以下：

評價

整個項目包含的內容很是多，這裏就再也不贅述。乾貨很硬，你們不要錯過了這份資源。

總的來講，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、自我測驗來講很是有幫助！一句話：硬核乾貨，值得收藏！