深度学习500问
最近在 github 发现了一个有趣的项目，《深度学习500问》，由川大一名优秀毕业生创建。这是一个整合 AI 相关知识的项目，通过广大网友的集思广益, 形成内容充实，覆盖全面的 AI 相关知识文集。
目前，该项目的 star 数已经超过 24000，有 6700 多次 Fork，项目地址：
https://github.com/scutan90/DeepLearning-500-questions）
目前，全书有近 30 万字，初步分为 18 个章节。这 18 个章节涉及到深度学习的各个方面：
深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。
▌第一章：数学基础
这部分内容可能和大家以往看到的数学理论知识书籍不太一样，这里作者并没有讲解那些知识点，而是帮大家总结整理了知识点间的关系，比如：张量与矩阵的区别，奇异值与特征值的关系，常见概率分布（涵盖12 种分布；通过分析每种分布的密度函数、数学期望、方差、特征函数等方面进行对比）等等。
▌第二章：机器学习
机器学习涉及的知识非常的多，作者在这里为大家讲解了常见的算法及它们各自的优缺点，如何根据数据类型来选择模型，如何选择函数，以及不同方法（如：降维方法 LDA、PCA）的优缺点。
▌第三章：深度学习
从数学基础到机器学习，接下来就是深度学习了。神经网络、前向传播、反向传播、激活函数、超参数、如何应用 Sofxmax、调节 Batch-Size 、归一化、Dropout 这些问题作者已经都为大家准备好了。
▌第四至六章：经典网络、CNN、RNN
第四章主要是LetNet、AlexNet、ZFNe、VGG、GoogleNet、Inception 等经典网络模型结构、模型特点的解读。第五章则详细讲解了 CNN 网络的各组成层、卷积核、步长等基础知识，还有图解 12 种不同类型的 2D 卷积，以及 2D 卷积与3D 卷积的不同之处；第六章为大家讲解RNN 的特点、拓展和改进的网络和在 NLP 中的典型应用。
有了这样的讲解，还担心自己搞不懂这些网路吗？
▌第七至十五章
第七、八章主要介绍目标检测、图像分割等技术的运用；第九、十章将带领大家了解这两年大热的强化学习与迁移学习；目前第十一、十二章内容，作者还没有更新；第十三、十四、十五章则从优化算法、超参数调整、正则化内容出发，教你如何更好地训练模型。
看到作者把自己这么用心整理、总结的知识和资源公开发表出来时，营长第一时间联系到了作者。并采访了作者写这本书的初衷、目前的进展和今后的计划。现在，就来为大家介绍下本书作者——谈继勇。
AI科技大本营：能简单介绍下自己吗？
谈继勇：我是 2018 年硕士毕业于四川大学控制工程专业，并被评为四川大学优秀毕业生。目前就职于顺丰科技有限公司，最近正在做CV领域相关的技术。我曾在Neurocomputing、Asian Journal of Control 等期刊发表论文 8 篇，其中 SCI/EI 6篇。先后在四川大学 PMCIRI 研究所、中科院信息工程研究所和中国香港中文大学（深圳）交流学习，并主研过多项课题项目。
AI 科技大本营：从什么时候开始关注人工智能？什么原因？
谈继勇：我是本科期间在实验室从事智能机器人、无人机相关研发，那时候觉得智能的工具设备很神奇，从那个时候开始接触。研究生阶段在四川大学 PMCIRI 研究所从事智能控制、计算机视觉相关的技术研究。
AI 科技大本营：您是什么时候开始写《深度学习500问》的？初衷是什么？
谈继勇：我是2017年9月份开始整理，最初的想法是现有的书籍很难回答开发者各种各样的问题，市面上的书籍大多要么是一套使用方法工具类书籍，要么是理论类书籍，而经验不足的开发者想要快速开发、找到对症下药的解决方案变得很低效，所以想搜集整理这些问题成书，方便相关开发者更快的解决问题。
AI 科技大本营：您是怎样搜集资料的？做了哪些准备？
谈继勇：主要根据现有大牛书籍、国内外知名学者个人网站、知名论坛、请教专业大牛，再结合自身理解，做了这些整理。
AI 科技大本营：《深度学习500问》主要是面向什么类型的读者？为什么要采用问答的形式？
谈继勇：这个项目里面的内容以问答方式，针对不同的问题，给出解决方案，有需要的开发者或多或少都能从中受益。以问答的方式主要是方便快速解决问题，对症下药，并且能提高读者兴趣。
AI 科技大本营：《深度学习500问》大概什么时候完成？目前还缺少两章节的内容有什么样的规划？
谈继勇：本来打算一年内完成，但由于项目、paper等众多因素影响，精力有限，使得计划延期。我也希望有意者可以合作，加快完善进度。以便早成体系。
缺少的两章内容中，第十一章是近来受到大家关注的生成对抗网络——GAN；第十二章是非常干货的内容——网络框架搭建实践经验分享，我会根据自己的操作和实践经验总结那些容易出现问题的解决方法，相信这部分内容对大家在学习和工作中的帮助会非常大，敬请期待！
AI 科技大本营：关于人工智能的学习和实践，您有什么经验可以分享的吗？
谈继勇：以做工程的角度看，需要多动手 debug，多积累实际经验。以理论角度看，加强理论知识的理解，不要跑跑模型就觉得可以了。