神经网络是当前机器学习领域广泛所应用于的，例如可利用神经网络展开图像识别、语音辨识等，从而将其扩展应用于自动驾驶汽车。它是一种高度分段的信息处理系统，具备很强的自适应自学能力，不依赖研究对象的数学模型，对被控对象的的系统参数变化及外界阻碍有很好的鲁棒性，能处置简单的多输出、多输入非线性系统，神经网络要解决问题的基本问题是分类问题。目前在机器学习领域疯狂的开源软件库中，TensorFlow算数其中一个，里面有大量的机器学习和深度神经网络方面的研究，却是由Google大脑小组研发出来，其系统的通用性和易用性是无可比拟的，TensorFlow是一个使用数据流图（Dataflowgraphs），用作数值计算出来的开源软件库。

节点（Nodes）在图中回应数学操作者，图中的线（edges）则回应在节点间互相联系的多维数据数组，即张量（tensor）。（数据流图用“结点”（nodes）和“线”（edges）的有向图来叙述数学计算。

“节点”一般用来回应产生的数学操作者，但也可以回应数据输出（feedin）的起点／输入（pushout）的起点，或者是加载／载入长久变量（persistentvariable）的起点。“线”回应“节点”之间的输出／输入关系。这些数据“线”可以输送“size可动态调整”的多维数据数组，即“张量”（tensor）。

张量从图中流到的直观图看起来这个工具取名为“Tensorflow”的原因，一旦输出端的所有张量准备好，节点将被分配到各种计算出来设备已完成异步分段地继续执行运算）。因此对想要较慢上手神经网络做到一些有意思的图像识别和语音辨识的小伙伴可利用TensorFlow展开自学。

神经网络的变种目前有很多，如误差偏移传播（BackPropagation，BP）神经网路、概率神经网络、卷积神经网络（ConvolutionalNeuralNetwork，CNN－限于于图像识别）、时间迭代神经网络（Longshort－termMemoryNetwork，LSTM－限于于语音辨识）等。但最简单且原汁原味的神经网络则是多层感知器（Muti－LayerPerception，MLP），只有解读经典的原版，才能更佳的去解读功能更为强劲的现代变种。

本文来源：jbo竞博官网-www.cautivaaudiovisual.com