第一部分（第1~3章）
《动手学深度学习》的第一部分内容为预备工作和基础知识，包含三个章节，分别为引言，预备知识以及深度学习基础。该部分篇幅不大，约占全书的五分之一。
[引言]①介绍了深度学习的历史以及最新发展情况，但并不是很全面，然后简要说明了全书的框架。
[预备知识]②章节则较为详细地讲解了如何配置环境，利用Jupyter记事本使用官方发布的资源库来学习该书的内容。接着便讲解了深度学习框架MXNet中的基本数据操作以及帮助文档的查阅。
第二部分（第4~6章）
第二部内容旨在介绍现代的深度学习技术，分为深度学习计算、卷积神经网络（Convolutional Neural Netwrok, CNN）以及循环神经网络（Recurrent Neural Network, RNN）三个部分。
[深度学习计算]④的章节名称与实际内容不是很相称，该章节的主要内容其实就是介绍MXNet框架中构建深度学习模型的相关操作。
[循环神经网络]⑥主要介绍了循环神经网络的结构以及相关概念，网络结构包含了标准循环神经网络、长短期记忆（Long Short Term Memory）循环神经网络、门限循环单元（Gated Recurrent Unit, GRU）神经网络以及双向循环神经网络（Bidirectional RNN）。应用实例选的是语言建模（Language Modeling, LM），训练数据采用的是周杰伦的歌词，数据量有限，因此训练后的模型效果并不是很好。
第三部分（第7~10章）
讨论深度学习模型的计算性能以及具体应用，分为优化算法、计算性能、计算机视觉以及自然语言处理等四个章节。容易看出，书中涉及的深度学习应用实例基本就是来源于计算机视觉和自然语言处理领域，包括第一、二部分的实例也是如此。
[计算性能]⑧首先提到了MXNet支持命令式和符号式混合编程，然后介绍了MXNet如何通过异步计算、并行计算以及多GPU计算等方式提升深度学习模型的计算效率。
总的来讲，《动手学深度学习》更像是深度学习框架MXNet的Cookbook，可作为MXNet的入门学习书籍。如果以学习深度学习为目标，这本书并不是很适合，只能作为入门学习时的快速阅读资料，帮助熟悉深度学习的基本概念，了解深度学习模型的建立、训练以及测试的步骤，对深度学习建立初步印象。另外，书中提供多种深度学习模型及相关技术的实例，可以用于了解这些模型或技术的具体实现，并且通过调整模型参数，熟悉不同超参对模型性能的影响。如果想对深度学习的原理进行深入学习，还是建议以Goodfollow，Bengio和Courville合力编写的《深度学习》为学习资料，然后多阅读相关的学术论文。