来源：Datawhale
几个月前，红色石头发文介绍过一份在 GitHub 上非常火爆的项目，名为：DeepLearning-500-questions，中文译名：深度学习 500 问。作者是川大的一名优秀毕业生谈继勇。该项目以深度学习面试问答形式，收集了 500 个问题和答案。内容涉及了常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题。
该热门项目一直在不断更新，作者本着开源精神，不断有新的贡献者在完善项目。如今，全书已达 50 余万字，分为 18 个章节。
首先，直接放上项目地址：
https://github.com/scutan90/DeepLearning-500-questions
目前该项目已有 2.6w stars 了！只要是内容都是干货，超全！
下面，我们来看一看该项目有哪些硬核干货吧！
全书目录
该项目更确切地说是一本深度学习面试手册，500 问，非常详细。全书共分为 18 章，近 50 万字，目录如下：
数学基础
机器学习基础
深度学习基础
经典网络
卷积神经网络（CNN）
循环神经网络（RNN）
生成对抗网络（GAN）
目标检测
图像分割
强化学习
迁移学习
网络搭建及训练
优化算法
超参数调试
GPU 和框架选型
自然语言处理（NLP）
模型压缩、加速及移动端部署
后端架构选型、离线及实时计算
主要内容
全书内容非常丰富，持续更新和完善中。下面我们列举一些知识点给读者一睹为快！
1. 各种常见算法（第 2 章）
日常使用机器学习的任务中，我们经常会遇见各种算法，如下图所示。
2. 支持向量机（第 2 章）
支持向量：在求解的过程中，会发现只根据部分数据就可以确定分类器，这些数据称为支持向量。
支持向量机（Support Vector Machine，SVM）：其含义是通过支持向量运算的分类器。
在一个二维环境中，其中点R，S，G点和其它靠近中间黑线的点可以看作为支持向量，它们可以决定分类器，即黑线的具体参数。
支持向量机是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是边界最大化，最终转化为一个凸二次规划问题来求解。
3. 常用的神经网络结构（第 3 章）
下图包含了大部分常用的模型：
4. 多分类 Softmax（第 3 章）
下图包含了 Softmax 层的详细过程和推导：
5. 经典网络结构（第 4 章）
本章主要介绍几个具有代表性的神经网络模型。
LeNet-5
LeNet-5 模型是 Yann LeCun 于 1998 年提出来的，它是第一个成功应用于数字识别问题的卷积神经网络。在 MNIST 数据中，它的准确率达到大约 99.2%。典型的 LeNet-5 结构包含卷积层、池化层和全连接层，顺序一般是：卷积层->池化层->卷积层->池化层->全连接层->全连接层->输出层。
同时给出了 LeNet-5 的网络参数配置：
AlexNet
AlexNet 是 2012 年 ImageNet 竞赛冠军获得者 Hinton 和他的学生 Alex Krizhevsky 设计的。AlexNet 可以直接对彩色的大图片进行处理，对于传统的机器学习分类算法而言，它的性能相当的出色。AlexNet 是由 5 个卷积层和 3 个全连接层组成，顺序一般是：卷积层->池化层->卷积层->池化层->卷积层->卷积层->卷积层->池化层->全连接层->全连接层->输出层。
AlexNet 的网络参数配置：
6. 全连接、局部连接、全卷积与局部卷积（第 5 章）
全连接、局部连接、全卷积与局部卷积的对比和解释如下：
评价
整个项目包含的内容非常多，这里就不再赘述。干货很硬，大家不要错过了这份资源。
总的来说，这份资源不是一本深度学习的系统教材，而是一份完整的、详细的深度学习知识点精炼手册。对于面试、自我测验来说非常有帮助！一句话：硬核干货，值得收藏！
