TensorFlow 学习笔记（二）：深度学习基本原理

总的来说，深度学习的目的是通过深层神经网络训练，达到让机器拥有复杂的判断能力。而判断能力一般表现为，针对有限个输入，给出有限个输出的取值。

比如，在谷歌给出的TenserFlow训练场中，训练后的模型可以识别点的不同颜色；这里，对于每个数据点，输入是一个二维向量：x坐标和y坐标，输出是一个布尔值：红或蓝。对于MNIST手写数字训练集，输入是一个784维向量，表示每个像素点的深浅，输出是一个0~9之间的整数，表示这张图片对应的数字。当然，实际中给出的输出的形式可能更为复杂，比如MNIST训练集的输出可能是一个排序，以及每个结果对应的正确可能性，不过总的来说仍然是有限个固定格式的输出。

在TensorFlow中，对相关的一些概念有更加具体的定义，列举如下：

一、计算图

（待续）