• 第1章 人工只能概述
  

机器是如何实现人类的智力呢？训练，模型（参数）。深度学习+神经网络。

深度学习前身是Artificial Neural Network。Input Layer, Hidden Layout, Output Layer。

前向传播（Forward Propagation）

最后层给出结论，概率向量。

ANN，层与层之间有大量链接，层内的神经元一般相互独立。

激活函数Activation Function。非线性。神经元将其他的数据做一个非线性变化，输出给下层。

成本函数Cost Function。定量评估特定输入值下，计算出来的输出结果与真实值偏差，调整层的权重，使最后的损失最小。反向传播Backward Propagation。

神经网络算法：计算、链接、评估、纠错、训练。深度学增加层数、神经元数量。

分类Classification，特征Feature，标记Label。有监督学习Supervised Learning。

无监督学习：Imsi[ervosed Learning。不明确分类，数据呈现聚群结构。聚类clustering；激励制度，强化学习Reinforcement Learning。

半监督学习Semi-Supervised Learning。

损失函数Loss Functing。

机器学习流行之前，需要大量的领域知识。

以统计方法为核心的机器学习成为主流后，重要的是做特征工程（Feature Engineering），不断调整参数。对于语音、图像相对困难。

深度学习，不需要过多提取特征，自动学习出特征。

 TensorFlow支持异构设备分布式计算。

 Convolutional Neural Network，Recurrent Neural Network，Long Short-Term Memory。

 Tensorflow, Caffe, Torch7

 Deep Flexibility，True Portability，Connect Research and Production，Auto-Differentiation, Language Options, Maximize Performance。

 ImageNet Large Scale Visual Recognition Challenge

• 第2章 TensorFlow环境的准备
  

　　numpy,matplotlib,jupyter,scikit-image,librosa,nltk,keras,tflearn

• 第3章 可视化TensorFlow
  

 playground.tensorflow.org

 特征提取Feature Extraction，分类器Classifier。

 测试损失Test loss，训练损失Training Loss。

 TensorBoard，Graphs面板。