我从第一章了解到了以下几点内容：
1、作者是个学霸，作者还是有机器学习背景的guy，所以很快掌握了深度学习的理论基础，但是不知道怎么下手。作者不否认理论很重要，但是要结合实际进行试验摸索同样重要。
（我自己的经验也是差不多，要是光看理论类的书籍，可能很快就要放弃了，所以先动手，同时学习理论知识，会好一些）
2、作者再这章也简单介绍了一下这三卷分别都说了啥，三卷都主要是以图像为主，不太涉及其它比如NLP、语音等等 读书笔记《Deep Learning for Computer Vision with Python》-内容简介_bashendixie5的博客-CSDN博客《Deep Learning for Computer Vision withPython》是由Adrian Rosebrock博士编写的分为Starter Bundle、Practitioner.Bundle、ImageNet.Bundle等三卷组成。https://blog.csdn.net/bashendixie5/article/details/120561052 3、需要用到的库、语言，Python、Keras、Mxnet、OpenCV、scikit-image、scikit-learn等，我们将使用的主要深度学习库是Keras[1]。Keras库由杰出的FrançoisChollet维护，他是谷歌的深度学习研究员和工程师。我多年来一直在使用Keras，可以说它是我最喜欢的深度学习包。作为可以使用Theano或TensorFlow作为后端的最小模块化网络库。
4、TensorFlow和Keras的关系；TensorFlow和Theano是用于定义抽象的通用计算图的库。虽然它们用于深度学习，但它们并不是深度学习框架，实际上除了深度学习之外，它们还用于许多其他应用。另一方面，Keras是一个深度学习框架，它提供了一个精心设计的API，以促进轻松构建深度神经网络。在幕后，Keras使用TensorFlow或Theano计算后端，使其能够利用这些强大的计算引擎。
5、打算构建自己使用的深度学习工具集
工具集将能够：
（1）从磁盘加载图像数据集，将它们存储在内存中，或将它们写入优化的数据库格式。
（2）预处理图像，使其适合训练卷积神经网络。
（3）创建一个可用于构建我们自己的卷积神经网络自定义实现的蓝图类。
（4）手动实现流行的CNN架构，例如AlexNet、VGGNet、GoogLeNet、ResNet和SqueezeNet，并从头开始训练。
6、继续学可以学习到Keras、MxNet的使用，可以学习到图像分类、对象检测、以及在大规模数据集上的训练方法。
7、以及一些鼓励的话。比如：“The secret of getting ahead is to get started.” – Mark Twain
