tensorflow+tensorflowonspark+GPU学习笔记

TensorFlow能够让你直接解决各种机器学习任务。目标就是在一般情况下，无论你遇到什么问题，TensorFlow都可以在一定程度上提供API的支持。

总的来说TensorFlow就是为了快而设计的，所以它针对你实际使用的硬件和平台做了优化。

其中在机器学习框架方面，TensorFlow的真正独特之处在于，能够在5行或者10行代码中构建模型。然后应用这个模型，进行扩展做出产品。

因此，你能够在几十甚至几百个机器的簇上进行训练。从而用该模型进行非常低的延迟预测。
TensorFlow自发布以来 ，就成为了GitHub上排名第一的机器学习开源库 。如今，谷歌有6千多个产品使用了TensorFlow。

事实上，几乎谷歌所有的主要产品都使用TensorFlow，并以某种形式进行机器学习。
随着显卡的发展，GPU越来越强大，而且GPU为显示图像做了优化。在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了，因此NVidia推出CUDA，让显卡可以用于图像计算以外的目的。
深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。
人工智能、机器学习、神经网络、深度学习的关系