神經(jīng)網(wǎng)絡(luò)是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域普遍所應(yīng)用的，例如可利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識(shí)別、語(yǔ)音識(shí)別等，從而將其拓展應(yīng)用于自動(dòng)駕駛汽車。它是一種高度并行的信息處理系統(tǒng)，具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力，不依賴于研究對(duì)象的數(shù)學(xué)模型，對(duì)被控對(duì)象的的系統(tǒng)參數(shù)變化及外界干擾有很好的魯棒性，能處理復(fù)雜的多輸入、多輸出非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)要解決的基本問(wèn)題是分類問(wèn)題。

目前在機(jī)器學(xué)習(xí)領(lǐng)域火爆的開(kāi)源軟件庫(kù)中，TensorFlow算其中一個(gè)，里面有大量的機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)方面的研究，畢竟由Google 大腦小組開(kāi)發(fā)出來(lái)，其系統(tǒng)的通用性和易用性是無(wú)可比擬的，TensorFlow是一個(gè)采用數(shù)據(jù)流圖（Data flow graphs），用于數(shù)值計(jì)算的開(kāi)源軟件庫(kù)。節(jié)點(diǎn)（Nodes）在圖中表示數(shù)學(xué)操作，圖中的線（edges）則表示在節(jié)點(diǎn)間相互聯(lián)系的多維數(shù)據(jù)數(shù)組，即張量（tensor）。（數(shù)據(jù)流圖用“結(jié)點(diǎn)”（nodes）和“線”（edges）的有向圖來(lái)描述數(shù)學(xué)計(jì)算。“節(jié)點(diǎn)”一般用來(lái)表示施加的數(shù)學(xué)操作，但也可以表示數(shù)據(jù)輸入（feedin）的起點(diǎn)／輸出（push out）的終點(diǎn)，或者是讀取／寫(xiě)入持久變量（persistent variable）的終點(diǎn)�！熬�”表示“節(jié)點(diǎn)”之間的輸入／輸出關(guān)系。這些數(shù)據(jù)“線”可以輸運(yùn)“size可動(dòng)態(tài)調(diào)整”的多維數(shù)據(jù)數(shù)組，即“張量”（tensor）。張量從圖中流過(guò)的直觀圖像是這個(gè)工具取名為“Tensorflow”的原因，一旦輸入端的所有張量準(zhǔn)備好，節(jié)點(diǎn)將被分配到各種計(jì)算設(shè)備完成異步并行地執(zhí)行運(yùn)算）。因此對(duì)想快速上手神經(jīng)網(wǎng)絡(luò)做一些有趣的圖像識(shí)別和語(yǔ)音識(shí)別的小伙伴可利用TensorFlow進(jìn)行學(xué)習(xí)。

神經(jīng)網(wǎng)絡(luò)的變種目前有很多，如誤差反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)路、概率神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network ，CNN－適用于圖像識(shí)別）、時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（Long short－term Memory Network ，LSTM－適用于語(yǔ)音識(shí)別）等。但最簡(jiǎn)單且原汁原味的神經(jīng)網(wǎng)絡(luò)則是多層感知器（Muti－Layer Perception ，MLP），只有理解經(jīng)典的原版，才能更好的去理解功能更加強(qiáng)大的現(xiàn)代變種。