--计算模型------Computational Model------

计算模型, 是指通过数学语言和数学概念描述系统的方法。

--神经网络------Neural Networks------从本质上说，神经网络是计算模型的1种，并且这种计算模型还能够自动完成学习和训练，不需要精确编程。

感知机模型  Perceptron, 是最原始也是最基础的一个神经网络算法模型。

由于神经网络模型是模拟人类大脑神经系统的组织结构而提出的，因此它与人类的脑神经网络具有相似的结构。

一般的神经网络结构, 可以分为3层： 

1)输入层

2)隐蔽层***hidden layer**主要作用是将输入层的数据转换成一种输出层更便于利用的形式。

3)输出层。


--为了深入理解神经网络,究竟是如何工作的，我们需要利用 TensorFlow 自己亲手构建一个神经网络模型。     http://blog.jobbole.com/105602/

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。

Tensor 张量 意味着N维数组，

Flow   流   意味着基于数据流图的计算，

TensorFlow为张量从流图的一端流动到另一端计算过程。

TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。

TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。

TensorFlow将完全开源，任何人都可以用。

--支持算法

TensorFlow 表达了高层次的机器学习计算，大幅简化了第一代系统，并且具备更好的灵活性和可延展性。

TensorFlow一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从手机、单个CPU / GPU到成百上千GPU卡组成的分布式系统。[1] 

从目前的文档看，TensorFlow支持CNN、RNN和LSTM算法，这都是目前在Image，Speech和NLP最流行的深度神经网络模型。

--FNN ------前馈神经网络------Feedforward Neural Network/Fully-connected Neural Network

--内部网络结构有什么区别？以及他们的主要用途是什么？-------------------------------------------------------------------------

--DNN ------深度神经网络


--CNN ------Convolution Neural Networks----卷积神经网络------空间共享:是一个典型的空间上深度的神经网络

局部感受和参数共享，比较适合用于图像这方面


--RNN ------Recurrent Neural Networks------循环神经网络------时间共享:是在时间上深度的神经网络------https://zhuanlan.zhihu.com/p/24720659


--LSTM 算法------