--計算模型------Computational Model------
計算模型, 是指通過數學語言和數學概念描述系統的方法。
--神經網絡------Neural Networks------從本質上說，神經網絡是計算模型的1種，並且這種計算模型還能夠自動完成學習和訓練，不需要精確編程。
感知機模型 Perceptron, 是最原始也是最基礎的一個神經網絡算法模型。
由於神經網絡模型是模擬人類大腦神經系統的組織結構而提出的，因此它與人類的腦神經網絡具有相似的結構。
一般的神經網絡結構, 可以分爲3層：
1)輸入層
2)隱蔽層***hidden layer**主要作用是將輸入層的數據轉換成一種輸出層更便於利用的形式。
3)輸出層。
--爲了深入理解神經網絡,究竟是如何工作的，我們需要利用 TensorFlow 自己親手構建一個神經網絡模型。 http://blog.jobbole.com/105602/
TensorFlow是谷歌基於DistBelief進行研發的第二代人工智能學習系統，其命名來源於本身的運行原理。
Tensor 張量 意味着N維數組，
Flow 流 意味着基於數據流圖的計算，
TensorFlow爲張量從流圖的一端流動到另一端計算過程。
TensorFlow是將複雜的數據結構傳輸至人工智能神經網中進行分析和處理過程的系統。
TensorFlow可被用於語音識別或圖像識別等多項機器深度學習領域，對2011年開發的深度學習基礎架構DistBelief進行了各方面的改進，它可在小到一部智能手機、大到數千臺數據中心服務器的各種設備上運行。
TensorFlow將完全開源，任何人都可以用。
--支持算法
TensorFlow 表達了高層次的機器學習計算，大幅簡化了第一代系統，並且具備更好的靈活性和可延展性。
TensorFlow一大亮點是支持異構設備分佈式計算，它能夠在各個平臺上自動運行模型，從手機、單個CPU / GPU到成百上千GPU卡組成的分佈式系統。[1]
從目前的文檔看，TensorFlow支持CNN、RNN和LSTM算法，這都是目前在Image，Speech和NLP最流行的深度神經網絡模型。
--FNN ------前饋神經網絡------Feedforward Neural Network/Fully-connected Neural Network
--內部網絡結構有什麼區別？以及他們的主要用途是什麼？-------------------------------------------------------------------------
--DNN ------深度神經網絡
--CNN ------Convolution Neural Networks----卷積神經網絡------空間共享:是一個典型的空間上深度的神經網絡
局部感受和參數共享，比較適合用於圖像這方面
--RNN ------Recurrent Neural Networks------循環神經網絡------時間共享:是在時間上深度的神經網絡------https://zhuanlan.zhihu.com/p/24720659
--LSTM 算法------