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。
