整体来说，这份资源可以理解为是深度学习领域的hao123，一共将深度学习各方面的资源分成了7大类。具体是：
论文
论文资源版块，一共分成3个类别，分别是模型、核心和应用。
在每个类别之下，又进行了两次细化分类。以模型分类为例：
在模型分类中，细化到卷积网络、循环网络、自编码器、生成模型和概率模型。在每个模型下面会根据模型的用途进行分类，来给出相关的论文。
比如卷积网络，提供了关于图像分类、句子分类、视频分类、人脸识别等方面应用论文，并附上论文的链接，部分论文有相应的实现代码，还对论文进行了星级评价。
数据集
数据集版块，也是3个类别，分别是图片数据集、文本与自然语言处理数据集和语音技术数据集。
每个方向，也会再进一步分类，并在给出资源链接的同时，附以相应数据集的特点与用途。以图片数据集为例：
图片数据集一共被分成了4类：通用、面部识别、物体识别、行为识别。
人脸识别类别中，一共有8个数据集，分别是FERET、CMU的PIE、YouTube Faces DB、Grammatical Facial Expressions、FaceScrub、IMDB-WIKI和FDDB。都给出了介绍与数据集下载链接。
课程、图书、博客与教程
相比论文与数据集资源，课程、图书等方面的资源相对就少了很多。但在深度学习领域有价值的资源都被囊括在内。
课程
覆盖了斯坦福、CMU、谷歌、英伟达、Fast.ai等业内知名高校、企业或机构提供的课程。
图书
一共四本，分别是《深度学习》、《神经网络和深度学习》、《Python深度学习》和《Scikit-Learn与TensorFlow机器学习实用指南》，其中第一本和第四本有中文版。涵盖了深度学习的原理介绍，实现方式等。
博客
深度学习领域的喜欢写博客的大牛，基本上都列入在内。
教程
包括深度学习的教程以及将深度学习应用到NLP领域的教程等。
框架资源
框架方面，一共有10个。分别是Tensorflow、Pytorch、CNTK、MatConvNet、Keras、Caffe、Theano、CuDNN、Torch、Deeplearning4j。
每个框架都给出了指向框架官方网站的链接，只有Torch给出的是GitHub链接。
谁贡献的这份资源
这份资源的贡献者是一个致力于开源的组织Open Source for Science，其中的成员有两位小哥和一位小姐姐。
他们都与弗吉尼亚理工大学有关。两位小哥是Amirsina Torfi和Ali T Z Kasgari，弗吉尼亚理工大学的博士生；小姐姐名叫Negin Forouzesh，弗吉尼亚理工大学的博士生候选人。