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：
这是一部关于计算机视觉的卓越的、深入且实用的深度学习实践作品。我认为它非常易读易懂：书中的解释清晰而又详细。在书中你能够找到许多在其他书籍或大学课程中难以见到的实用的建议。对于从业者和初学者，我强烈推荐这本书。
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。