• 第1章 人工只能概述

　　機器是如何實現人類的智力呢？訓練，模型（引數）。深度學習+神經網路。

　　深度學習前身是Artificial Neural Network。Input Layer, Hidden Layout, Output Layer。

　　前向傳播（Forward Propagation）

　　最後層給出結論，概率向量。

　　ANN，層與層之間有大量連結，層內的神經元一般相互獨立。

　　啟用函式Activation Function。非線性。神經元將其他的資料做一個非線性變化，輸出給下層。

　　成本函式Cost Function。定量評估特定輸入值下，計算出來的輸出結果與真實值偏差，調整層的權重，使最後的損失最小。反向傳播Backward Propagation。

　　神經網路演算法：計算、連結、評估、糾錯、訓練。深度學增加層數、神經元數量。

　　分類Classification，特徵Feature，標記Label。有監督學習Supervised Learning。

　　無監督學習：Imsi[ervosed Learning。不明確分類，資料呈現聚群結構。聚類clustering；激勵制度，強化學習Reinforcement Learning。

　　半監督學習Semi-Supervised Learning。

　　損失函式Loss Functing。

　　機器學習流行之前，需要大量的領域知識。

　　以統計方法為核心的機器學習成為主流後，重要的是做特徵工程（Feature Engineering），不斷調整引數。對於語音、影象相對困難。

　　深度學習，不需要過多提取特徵，自動學習出特徵。

　　TensorFlow支援異構裝置分散式計算。

　　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環境的準備

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

• 第3章 視覺化TensorFlow

　　playground.tensorflow.org

　　特徵提取Feature Extraction，分類器Classifier。

　　測試損失Test loss，訓練損失Training Loss。

　　TensorBoard，Graphs面板。