今天，營長要給大家推薦一本還未完成的深度學習書籍——《深度學習500問》。為什么要推薦一本未完成的書？

首先，這本書的作者是通過問答的形式，對常用的概率知識、線性代數、機器學習、深度學習、計算機視覺等熱點問題進行闡述，清晰明了，方便檢索，特別適合初學者。其次，該作者將這本書無償發布在 GitHub 上，大家可以直接在線閱讀或下載學習。最后，這是一本中文書。

所以，雖然這本書還未完工，但是非常適合廣大讀者點贊、收藏、外加轉發。現在，營長就來為大家介紹這本書的詳細內容。

▌第一章：數學基礎

這部分內容可能和大家以往看到的數學理論知識書籍不太一樣，這里作者并沒有講解那些知識點，而是幫大家總結整理了知識點間的關系，比如：張量與矩陣的區別，奇異值與特征值的關系，常見概率分布（涵蓋12 種分布；通過分析每種分布的密度函數、數學期望、方差、特征函數等方面進行對比）等等。

▌第二章：機器學習

機器學習涉及的知識非常的多，作者在這里為大家講解了常見的算法及它們各自的優缺點，如何根據數據類型來選擇模型，如何選擇函數，以及不同方法（如：降維方法 LDA、PCA）的優缺點。

▌第三章：深度學習

從數學基礎到機器學習，接下來就是深度學習了。神經網絡、前向傳播、反向傳播、激活函數、超參數、如何應用 Sofxmax、調節 Batch-Size 、歸一化、Dropout 這些問題作者已經都為大家準備好了。

▌第四至六章：經典網絡、CNN、RNN

第四章主要是LetNet、AlexNet、ZFNe、VGG、GoogleNet、Inception 等經典網絡模型結構、模型特點的解讀。第五章則詳細講解了 CNN 網絡的各組成層、卷積核、步長等基礎知識，還有圖解 12 種不同類型的 2D 卷積，以及 2D 卷積與3D 卷積的不同之處；第六章為大家講解RNN 的特點、拓展和改進的網絡和在 NLP 中的典型應用。

有了這樣的講解，還擔心自己搞不懂這些網路嗎？

▌第七至十五章

第七、八章主要介紹目標檢測、圖像分割等技術的運用；第九、十章將帶領大家了解這兩年大熱的強化學習與遷移學習；目前第十一、十二章內容，作者還沒有更新；第十三、十四、十五章則從優化算法、超參數調整、正則化內容出發，教你如何更好地訓練模型。

看到作者把自己這么用心整理、總結的知識和資源公開發表出來時，營長第一時間聯系到了作者。并采訪了作者寫這本書的初衷、目前的進展和今后的計劃?，F在，就來為大家介紹下本書作者——談繼勇。

AI科技大本營：能簡單介紹下自己嗎？

談繼勇：我是 2018 年碩士畢業于四川大學控制工程專業，并被評為四川大學優秀畢業生。目前就職于順豐科技有限公司，最近正在做CV領域相關的技術。我曾在Neurocomputing、Asian Journal of Control 等期刊發表論文 8 篇，其中 SCI/EI 6篇。先后在四川大學 PMCIRI 研究所、中科院信息工程研究所和香港中文大學（深圳）交流學習，并主研過多項課題項目。

AI 科技大本營：從什么時候開始關注人工智能？什么原因？

談繼勇：我是本科期間在實驗室從事智能機器人、無人機相關研發，那時候覺得智能的工具設備很神奇，從那個時候開始接觸。研究生階段在四川大學 PMCIRI 研究所從事智能控制、計算機視覺相關的技術研究。

AI 科技大本營：您是什么時候開始寫《深度學習500問》的？初衷是什么？

談繼勇：我是2017年9月份開始整理，最初的想法是現有的書籍很難回答開發者各種各樣的問題，市面上的書籍大多要么是一套使用方法工具類書籍，要么是理論類書籍，而經驗不足的開發者想要快速開發、找到對癥下藥的解決方案變得很低效，所以想搜集整理這些問題成書，方便相關開發者更快的解決問題。

AI 科技大本營：您是怎樣搜集資料的？做了哪些準備？

談繼勇：主要根據現有大牛書籍、國內外知名學者個人網站、知名論壇、請教專業大牛，再結合自身理解，做了這些整理。

AI 科技大本營：《深度學習500問》主要是面向什么類型的讀者？為什么要采用問答的形式？

談繼勇：這個項目里面的內容以問答方式，針對不同的問題，給出解決方案，有需要的開發者或多或少都能從中受益。以問答的方式主要是方便快速解決問題，對癥下藥，并且能提高讀者興趣。

AI 科技大本營：《深度學習500問》大概什么時候完成？目前還缺少兩章節的內容有什么樣的規劃？

談繼勇：本來打算一年內完成，但由于項目、paper等眾多因素影響，精力有限，使得計劃延期。我也希望有意者可以合作，加快完善進度。以便早成體系。

缺少的兩章內容中，第十一章是近來受到大家關注的生成對抗網絡——GAN；第十二章是非常干貨的內容——網絡框架搭建實踐經驗分享，我會根據自己的操作和實踐經驗總結那些容易出現問題的解決方法，相信這部分內容對大家在學習和工作中的幫助會非常大，敬請期待！

AI 科技大本營：關于人工智能的學習和實踐，您有什么經驗可以分享的嗎？

談繼勇：以做工程的角度看，需要多動手 debug，多積累實際經驗。以理論角度看，加強理論知識的理解，不要跑跑模型就覺得可以了。