重磅!《深度学习 500 问》已更新,GitHub 标星 2.6W(附完整下载)

2019 年 7 月 14 日 数据派THU

来源:AI有道

本文约1300字,建议阅读7分钟

本文介绍以深度学习面试问答形式,收集了 500 个问题和答案的项目。


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!



数据派THU公众号(DatapiTHU)后台回复“190711”

获取本文完整深度学习500问资源


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。再次附上链接:


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


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!


数据派THU公众号(DatapiTHU)后台回复“190711”

获取本文完整深度学习500问资源


编辑:黄继彦

校对:林亦霖


登录查看更多
39

相关内容

最新《自动微分手册》77页pdf
专知会员服务
99+阅读 · 2020年6月6日
Sklearn 与 TensorFlow 机器学习实用指南,385页pdf
专知会员服务
129+阅读 · 2020年3月15日
专知会员服务
103+阅读 · 2020年3月12日
一网打尽!100+深度学习模型TensorFlow与Pytorch代码实现集合
资源 | 李航老师《统计学习方法》(第2版)课件下载
专知会员服务
249+阅读 · 2019年11月10日
吴恩达新书《Machine Learning Yearning》完整中文版
专知会员服务
145+阅读 · 2019年10月27日
深度学习算法与架构回顾
专知会员服务
80+阅读 · 2019年10月20日
复旦大学邱锡鹏老师《神经网络与深度学习》书册最新版
赶紧收藏!西瓜书《机器学习》完整笔记来了
大数据技术
29+阅读 · 2019年8月24日
深度学习500问!一份火爆GitHub的面试手册
人工智能前沿讲习班
40+阅读 · 2019年3月18日
春招已近,这份GitHub万星的ML算法面试大全请收下
全球人工智能
4+阅读 · 2019年2月22日
GitHub标星10k,从零开始的深度学习实用教程 | PyTorch官方推荐
GitHub标星2600,从零开始的深度学习实用教程 | PyTorch官方推荐
机器学习算法与Python学习
4+阅读 · 2018年12月13日
1024 | 最全面试总结,深度学习500问,面试必备【下载】
机器学习算法与Python学习
53+阅读 · 2018年10月24日
28 款 GitHub 最流行的开源机器学习项目(附地址)
七月在线实验室
4+阅读 · 2017年12月18日
深度学习模型、概念思维导图分享
深度学习与NLP
8+阅读 · 2017年8月22日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Arxiv
35+阅读 · 2020年1月2日
A Comprehensive Survey on Graph Neural Networks
Arxiv
21+阅读 · 2019年1月3日
Deep Graph Infomax
Arxiv
17+阅读 · 2018年12月21日
Arxiv
53+阅读 · 2018年12月11日
Arxiv
22+阅读 · 2018年8月30日
VIP会员
相关VIP内容
最新《自动微分手册》77页pdf
专知会员服务
99+阅读 · 2020年6月6日
Sklearn 与 TensorFlow 机器学习实用指南,385页pdf
专知会员服务
129+阅读 · 2020年3月15日
专知会员服务
103+阅读 · 2020年3月12日
一网打尽!100+深度学习模型TensorFlow与Pytorch代码实现集合
资源 | 李航老师《统计学习方法》(第2版)课件下载
专知会员服务
249+阅读 · 2019年11月10日
吴恩达新书《Machine Learning Yearning》完整中文版
专知会员服务
145+阅读 · 2019年10月27日
深度学习算法与架构回顾
专知会员服务
80+阅读 · 2019年10月20日
复旦大学邱锡鹏老师《神经网络与深度学习》书册最新版
相关资讯
赶紧收藏!西瓜书《机器学习》完整笔记来了
大数据技术
29+阅读 · 2019年8月24日
深度学习500问!一份火爆GitHub的面试手册
人工智能前沿讲习班
40+阅读 · 2019年3月18日
春招已近,这份GitHub万星的ML算法面试大全请收下
全球人工智能
4+阅读 · 2019年2月22日
GitHub标星10k,从零开始的深度学习实用教程 | PyTorch官方推荐
GitHub标星2600,从零开始的深度学习实用教程 | PyTorch官方推荐
机器学习算法与Python学习
4+阅读 · 2018年12月13日
1024 | 最全面试总结,深度学习500问,面试必备【下载】
机器学习算法与Python学习
53+阅读 · 2018年10月24日
28 款 GitHub 最流行的开源机器学习项目(附地址)
七月在线实验室
4+阅读 · 2017年12月18日
深度学习模型、概念思维导图分享
深度学习与NLP
8+阅读 · 2017年8月22日
相关论文
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Arxiv
35+阅读 · 2020年1月2日
A Comprehensive Survey on Graph Neural Networks
Arxiv
21+阅读 · 2019年1月3日
Deep Graph Infomax
Arxiv
17+阅读 · 2018年12月21日
Arxiv
53+阅读 · 2018年12月11日
Arxiv
22+阅读 · 2018年8月30日
Top
微信扫码咨询专知VIP会员