第一章 TensorFlow 基础概念
什么是人工智能、机器学习和深度学习
“人工智能”这个词在当下社会十分流行。但我们所说的“人工智能”概念其实早在1956年就在达特茅斯会议中被提出，但由于当时的算力的影响，导致这项技术一直都无法没有很好的突破。直到我们现在，在计算机硬件设备不断发展的时代，在大数据的支撑下，“人工智能”得到爆发性的成长。
在现在，人工智能运用在方方面面之中，小到我们的形形色色的美图软件、语音识别软件，大到无人汽车驾驶等。人工智能其实离我们并不远，已经开始渗透进我们的生活。
在人工智能领域，又细分出两个概念：
1、机器学习
2、深度学习
这张图很好的说明了两者的区别，机器学习算法得益于人工特征的提取。举个例子：
我们在处理垃圾邮件分类的时候，我们会事先提取出预选筛选的特征，比如：发件人的地址、标题中是否包含某些关键词等等，然后通过算法进行权重的学习，从而能够预测未来的一份邮件是否是垃圾邮件。
而对于深度学习算法，我们还是通过垃圾邮件分类来举例，在深度学习算法中，我们不再人为的去提取特征值了，我们只是告诉计算机，这一些是垃圾邮件，这一些不是垃圾邮件，然后计算机通过神经网络自己去提取其中的特征值，动态的调整权重。最后得到一个能够预测未来一份邮件是否是垃圾邮件的模型。
这张图也就很好的说明了人工智能、机器学习、深度学习之间的关系。
什么是深度神经网络
其实我们目前所提到的“深度学习”基本上就是深度神经网络的代名词，深度神经网络最早是类似仿生机器学习，它试图模仿人的大脑的学习机理。所以经常有人就会拿它和人体的神经元做比较。
图的左边是人体的神经元，图的右侧是一个简单的神经网络结构。
我们可以看到输入的值经过加权和的处理，并通过阀值函数处理，得到一个输出。
就像我们的触觉，当我们触摸一个苹果时，触感就是输入的值，经过神经元的处理和传导，让我们感知（输出）到我们触摸的是一个苹果。
在之后的具体介绍神经网络算法的时候，我会具体介绍右边这个图的结构和含义，现在看不懂没有太大关系。
为了给大家直观的感受深度神经网络，我想推荐大家一起玩一下google提供的tensorflow PlayGround。
如何在PlayGround愉快的玩耍
play ground是Tensorflow提供的一个能够直观感受神经网络训练的工具。能够帮助我们初步感受神经网络训练的流程。
上面这个图大概介绍了一下play ground中包含的元素：
数据类型：我们可以选择不同的数据类型进行训练
体征提取：我们可以选择输入不同的特征，感受一下对训练结果的影响
当前训练步数：我们可以看到当前的结果为训练了多少步后的结果
学习速率：有关学习速率的概念，我在之后介绍怎么设计神经网络的过程中，会详细介绍。在这里我们可以调整学习速率的值，直观感受一下学习速度对结果的影响
激活函数：在很多实际问题中，我们不能通过一个线性的函数去进行划分，这时候我们就可以通过激活函数，强行把线性函数“掰弯”，成为非线性函数，以解决非线性的问题，关于这个概念，我们在之后学习激活函数的时候会具体介绍
隐藏层：我们可以看到我们现在是一个很简单的两层的全连接神经网络（所有一层的节点都和下一层的节点相互连接），我们也可以通过点击按钮增加和减少某以隐藏层的节点数量。直观感受隐藏层的大小和其节点大小对结果的印象
模型结果：我们可以在这个地方，直观看到模型对数据分类的结果。
测试样本：我们深度神经网络学习，最重要的是对未来的数据进行预测的能力。所以我们经常会在训练样本之外，准备一些测试样本。这些样本不会参与到模型训练的过程中，对于模型来说是“未知”的，从未学习过的。所以当我们训练一个模型后，往往需要一个测试样本，来考察这个模型对未知样本的判断能力，来判断这个模型是否是一个“好模型”
在上面这个图，我们会发现，我们一个两层的全连接神经网络，在经历206步后，我们已经得到了一个很好的模型，它能够几乎能够准确的分辨出蓝色的点和黄色的点（例如：在实际问题中，我们比如把黄色的点认为是垃圾邮件，蓝色的点为正常的邮件），这时候我们的模型就对未来的样本具有一定的判断能力。
复盘
在这一节，我们对人工智能、机器学习和深度学习的关系有了个初步的了解，了解了人工智能已经在我们生活的方方面面得到运用，这也是未来以后的一大趋势。
在之后，我们又通过把玩TensorFlow的PlayGround，对深度学习有了一些更直观的概念和了解。为我们之后的学习种下一颗小小的种子。
在下一节中，我会为大家介绍如何安装Tensorflow（不过这不是重点），以及TensorFlow的三个基础概念：
1、tensor 张量
2、session 张量
3、graph 计算图
