深度学习 500 问！一份火爆 GitHub 的面试手册

近年来，深度学习技术在计算机视觉（CV）、自然语言处理（NLP）等热门领域都取得了非常大的进展。深度学习的资料也层出不穷。相信很多入门深度学习的读者面对海量资源的时候，很容易陷入到一种迷茫的状态。简单来说，就是选择越多，越容易让人陷入无从选择的困境。

今天，给大家推荐一个火爆 GitHub 的项目。该项目名称是 DeepLearning-500-questions，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。

目前该项目总共获得了 1.8w stars。项目地址为：

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

主要内容：

该项目分为 18 个章节，近 30 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

• 项目内容非常丰富，下面，我们来挑选挑选前几个重要章节进行简要介绍。

第一章 数学基础

这一章主要介绍了机器学习、深度学习必备的数学基础，包含线性代数、概率论在内的总共 17 道问题和解答。

例如列举了常见的概率分布：

第二章 机器学习基础

这一章主要介绍了机器学习的常见算法类型以及机器学习重要的核心知识点，例如代价函数、梯度下降、评估性能指标等。总共包含了 70 多道问题。

例如列举的常见的机器学习算法类型：

第三章 深度学习基础

这一章主要介绍神经网络的基本概念和基础知识，包括神经网络前向传播、激活函数、反向传播以及神经网络模型的优化方法和超参数调试等等。总共涉及了 50 多道问题。

例如列举神经网络常用的模型：

第四章 经典网络

本章主要介绍了几种经典网络，包括 LeNet-5、AlexNet、可视化ZFNet-解卷积、VGGNet、GoogleNet的模型结构及模型解读等。总共涉及了 40 多道问题。

LeNet-5

AlexNet

卷积可视化

VGGNet

GoogleNet

总的来说，《深度学习 500 问》基本涉及了深度学习领域的完整知识体系，并对每个问题都作了详细的讲解和总结。感谢作者的整理和开源，希望对大家有所帮助！

硬核干货，值得收藏！

最后，再次附上该项目地址：

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