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

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

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。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!

本文分享自微信公众号 - Datawhale(Datawhale)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-07-14

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 用深度学习从非结构化文本中提取特定信息

    这是我们在iki项目工作中的一系列技术文章中的第一篇,内容涵盖用机器学习和深度学习技术来解决自然语言处理与理解问题的一些应用案例。

    AI研习社
  • LabelEncoder(标签编码)与One—Hot(独热编码)

    在做Kaggle项目的时候,碰到的问题,通常拿到一个比赛项目,将特征分为数字型特征和文字性特征,分别进行处理,而对于文字型特征如何处理,这时就...

    用户5745385
  • 带答案面经分享-L1正则&L2正则

    1、过拟合的解决方式有哪些,l1和l2正则化都有哪些不同,各自有什么优缺点(爱奇艺)

    用户2769421
  • 机器学习中为什么需要对数据进行归一化?

    如下图所示,蓝色的圈圈图代表的是两个特征的等高线。其中左图两个特征X1和X2的区间相差非常大,X1区间是[0,2000],X2区间是[1,5],其所...

    用户5745385
  • 学机器学习有必要懂数学吗?深入浅出机器学习与数学的关系

    小黑,Datawhale团队成员,秦时明月十年铁粉,本科就读于山西大学,保研至天津大学并硕博连读,现为2018级博士,研究方向:脑机接口。

    用户1564362
  • Github项目推荐 | 深度学习资源,包括一系列架构、模型与建议

    项目地址:https://github.com/rasbt/deeplearning-models

    AI研习社
  • 动态 | 谷歌 Dropout 专利生效,AI 圈内人表示坐不住了!

    AI 科技评论按:今天,谷歌的 Dropout 专利生效这一消息突然在圈内传开,而生效日期就在 6 月 25 日,有效期 15 年。三年前,谷歌就给 Dropo...

    AI研习社
  • 学界 | 机器学习如何从上游抑制歧视性行为?斯坦福 AI 实验室的最新成果给出了答案

    AI 科技评论按:随着机器学习系统越来越多地运用于许多重大决策中,如何对其公平性实现精细地控制已经成了我们亟需解决的问题。为解决这一问题,目前已有一些研究人员通...

    AI研习社
  • 【干货】适合NLP初学者的8个免费资源分享

    微软全球执行副总裁沈向洋博士曾表示“懂语言者得天下,人工智能对人类影响最为深刻的就是自然语言方面。”现在很多研究人员都在进入自然语言领域,希望可以解决“让机器理...

    用户2769421
  • 宋仲基宋慧乔没能找到对的人,算法能帮我们找到么?

    场景描述:寻找能够相伴一生的灵魂伴侣是很多人的美好愿望,但现实往往残酷。为此,基于大数据,机器学习,AI 算法的婚恋网站和应用纷纷出招,它们能够帮助广大单身男女...

    用户1564362

扫码关注云+社区

领取腾讯云代金券