人工智能之深度学习框架：深度学习Tensorflow

笔记介绍

通过参考书：“TensorFlow实战Google深度学习框架”、“莫烦TensorFlow视频、TensorFlow中文社区（http://www.tensorfly.cn/ ）”进行学习、总结。 本内容是一些学习过程中，本人认为有意义的笔记，而不是完整教程，可能只适合本人之后学习、回顾。

一、深度学习

对于传统的机器学习问题来说，特征提取不是一件简单的事情。在一些复杂问题上，要通过人工的方式设计有效的特征集合，需要很多的时间和精力，有时甚至需要整个领域数十年的研究投入。也就是说，特征工程需要耗费好多资源。既然人工的方式无法很好地抽取实体中的特征，那么是否有自动的方式呢?答案是肯定的。深度学习解决的核心问题之一就是自动地将简单的特征组合成更加复杂的特征，并使用这些组合特征解决问题。深度学习是机器学习的分支，它除了可以学习特征和任务之间的关联，还能自动从简单特征中提取更加复杂的特征。
早起的深度学习收到了神经科学的启发，它们之间有着非常密切的联系。科学家们在神经科学上的发现使得我们相信深度学习可以胜任很多人工智能的任务。神经科学家发现，如果将小白鼠的视觉神经连接到听觉中枢，一段时间之后小白鼠可以习得使用听觉中枢“看”世界。这说明虽然哺乳动物大脑分为了很多区域，但这些区域的学习机制却是相似的。

二、TensorFlow环境搭建

TensorFlow的主要依赖包：Protocol Buffer 和 Bazel 。
Protocol Buffer 是谷歌开发的处理结构化数据的工具。将结构化的数据持久化或进行网络传输时，就需要先将它们序列化，是将结构化的数据编程数据流的格式，简单的说就是变成一个字符串。将结构化的数据序列化，并从序列化之后的数据流中还原来的结构化数据，统称为处理结构化数据。这就是Protocol Buffer 解决的