開始機器學習知識的學習，差不多已經有一年的時間。這期間看了很多教材和書籍，有些深入進行了學習，有些書（比如深度學習領域著名的西瓜書）則看不下去。機器學習其實也有許多方向，比如強化學習、計算機視覺、自然語言處理等等，如果每個方向都學習的話，普通人也沒有那麼多精力。
在經過一年的泛泛的學習之後，決定將計算機視覺作為我的主攻方向，主要也是因為我對計算機影象這個領域比較感興趣。在網上搜尋了一些資料，以及推薦書單後，決定選擇《Deep Learning for Computer Vision with Python》作為認真研讀的一本書，目前已經差不多看完了第一部: Starter Bundle，覺得非常不錯，推薦給有志於從事計算機視覺方向的朋友。
首先需要說明的是，這本書目前還沒有中文版，好在作者沒有使用生僻的詞彙，用詞遣句也比較簡練，配合著Google翻譯，讀起來還算順利。在公眾號後臺回覆“計算機視覺”可以下載本書的電子版。
由計算機視覺專家Adrian Rosebrock編寫的《Deep Learning for Computer Vision with Python》被評為當前最好的深度學習和計算機視覺資源之一。Google 的 AI 研究員和 Keras 庫的作者Francois Chollet對於本書做出過這樣的評價：
這是一部關於計算機視覺的卓越的、深入且實用的深度學習實踐作品。我認為它非常易讀易懂：書中的解釋清晰而又詳細。在書中你能夠找到許多在其他書籍或大學課程中難以見到的實用的建議。對於從業者和初學者，我強烈推薦這本書。
這本書分為三個bundle:
-
Starter Bundle - 這部分的內容比較基礎，包括從零開始實現迴歸演算法、深度神經網路和卷積神經網路。對於完全沒有機器學習基礎的人而言，可以從例項中學習到深度學習的基礎知識。如果有一定的深度學習知識背景，也可以學習到在實際中如果應用深度學習（主要是影象分類），加深對深度學習的理解。
-
Practition Bundle - 這部分的內容在Starter Bundle基礎上更進一步，探討的是在實際中可能會碰到的問題及解決之道，比如提高識別的精度、模型選擇、超大資料集，最後引入了幾個大型的、複雜的網路模型。
-
ImageNet Bundle - 這部分更多的關注於實戰，前半部分是在ImageNet資料集上訓練各種複雜的網路，後半部分則是解決實際生活中的問題，包括表情檢測、車輛識別、年齡預測等等。完成這部分的學習之後，想必你的實戰能力會提高一大截。
如果你對在計算機視覺（影象分類、物件檢測、影象理解等）中應用深度學習有興趣，那這本書再好不過了。
在這本書中，你將能夠：
- 理論和實踐並重地學習機器學習和深度學習的基礎內容
- 學習先進的深度學習技術，包括物件檢測、多GPU訓練、遷移學習以及生成對抗網路等
- 復現最前沿的論文成果，包括ResNet、 SqueezeNet、 VGGNet以及其他存在於 ImageNet 資料集中的成果
這本書最吸引我的地方在於，書籍兼顧了理論和實踐兩者之間的平衡，對每一個深度學習理論，都會有一個關聯的Python實現來幫助你鞏固對其的理解和學到的知識。書中有詳細的程式碼，且程式碼都有比較詳細的說明，對Engineer非常友好。
我在學習的過程中，都會嘗試著輸入程式碼，加深對程式碼的理解。你可以訪問：github.com/mogoweb/aie…
在公眾號後臺回覆“計算機視覺”可以下載本書的電子版。