來源：Datawhale
幾個月前，紅色石頭發文介紹過一份在 GitHub 上非常火爆的項目，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。內容涉及了常用的概率知識、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，作者本著開源精神，不斷有新的貢獻者在完善項目。如今，全書已達 50 余萬字，分為 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！只要是內容都是干貨，超全！
下面，我們來看一看該項目有哪些硬核干貨吧！
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，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
自然語言處理（NLP）
模型壓縮、加速及移動端部署
后端架構選型、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算法，如下圖所示。
2. 支持向量機（第 2 章）
支持向量：在求解的過程中，會發現只根據部分數據就可以確定分類器，這些數據稱為支持向量。
支持向量機（Support Vector Machine，SVM）：其含義是通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。
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，最終轉化為一個凸二次規劃問題來求解。
3. 常用的神經網絡結構（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. 經典網絡結構（第 4 章）
本章主要介紹幾個具有代表性的神經網絡模型。
LeNet-5
LeNet-5 模型是 Yann LeCun 于 1998 年提出來的，它是第一個成功應用于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。
同時給出了 LeNet-5 的網絡參數配置：
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，對于傳統的機器學習分類算法而言，它的性能相當的出色。AlexNet 是由 5 個卷積層和 3 個全連接層組成，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 的網絡參數配置：
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
整個項目包含的內容非常多，這里就不再贅述。干貨很硬，大家不要錯過了這份資源。
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。對于面試、自我測驗來說非常有幫助！一句話：硬核干貨，值得收藏！
