开始机器学习知识的学习，差不多已经有一年的时间。这期间看了很多教材和书籍，有些深入进行了学习，有些书（比如深度学习领域著名的西瓜书）则看不下去。机器学习其实也有许多方向，比如强化学习、计算机视觉、自然语言处理等等，如果每个方向都学习的话，普通人也没有那么多精力。
在经过一年的泛泛的学习之后，决定将计算机视觉作为我的主攻方向，主要也是因为我对计算机图像这个领域比较感兴趣。在网上搜索了一些资料，以及推荐书单后，决定选择《Deep Learning for Computer Vision with Python》作为认真研读的一本书，目前已经差不多看完了第一部: Starter Bundle，觉得非常不错，推荐给有志于从事计算机视觉方向的朋友。
首先需要说明的是，这本书目前还没有中文版，好在作者没有使用生僻的词汇，用词遣句也比较简练，配合着Google翻译，读起来还算顺利。在公众号后台回复“计算机视觉”可以下载本书的电子版。
由计算机视觉专家Adrian Rosebrock编写的《Deep Learning for Computer Vision with Python》被评为当前最好的深度学习和计算机视觉资源之一。Google 的 AI 研究员和 Keras 库的作者Francois Chollet对于本书做出过这样的评价：
这本书分为三个bundle:
Starter Bundle - 这部分的内容比较基础，包括从零开始实现回归算法、深度神经网络和卷积神经网络。对于完全没有机器学习基础的人而言，可以从实例中学习到深度学习的基础知识。如果有一定的深度学习知识背景，也可以学习到在实际中如果应用深度学习（主要是图像分类），加深对深度学习的理解。
Practition Bundle - 这部分的内容在Starter Bundle基础上更进一步，探讨的是在实际中可能会碰到的问题及解决之道，比如提高识别的精度、模型选择、超大数据集，最后引入了几个大型的、复杂的网络模型。
ImageNet Bundle - 这部分更多的关注于实战，前半部分是在ImageNet数据集上训练各种复杂的网络，后半部分则是解决实际生活中的问题，包括表情检测、车辆识别、年龄预测等等。完成这部分的学习之后，想必你的实战能力会提高一大截。
如果你对在计算机视觉（图像分类、对象检测、图像理解等）中应用深度学习有兴趣，那这本书再好不过了。
在这本书中，你将能够：
- 理论和实践并重地学习机器学习和深度学习的基础内容
- 学习先进的深度学习技术，包括对象检测、多GPU训练、迁移学习以及生成对抗网络等
- 复现最前沿的论文成果，包括ResNet、 SqueezeNet、 VGGNet以及其他存在于 ImageNet 数据集中的成果
这本书最吸引我的地方在于，书籍兼顾了理论和实践两者之间的平衡，对每一个深度学习理论，都会有一个关联的Python实现来帮助你巩固对其的理解和学到的知识。书中有详细的代码，且代码都有比较详细的说明，对Engineer非常友好。
我在学习的过程中，都会尝试着输入代码，加深对代码的理解。你可以访问：https://github.com/mogoweb/aiexamples获得我的代码。
在公众号后台回复“计算机视觉”可以下载本书的电子版。