神經(jīng)網(wǎng)絡是當前機器學習領域普遍所應用的，例如可利用神經(jīng)網(wǎng)絡進行圖像識別、語音識別等，從而將其拓展應用于自動駕駛汽車。它是一種高度并行的信息處理系統(tǒng)，具有很強的自適應學習能力，不依賴于研究對象的數(shù)學模型，對被控對象的的系統(tǒng)參數(shù)變化及外界干擾有很好的魯棒性，能處理復雜的多輸入、多輸出非線性系統(tǒng)，神經(jīng)網(wǎng)絡要解決的基本問題是分類問題。

目前在機器學習領域火爆的開源軟件庫中，TensorFlow算其中一個，里面有大量的機器學習和深度神經(jīng)網(wǎng)絡方面的研究，畢竟由Google 大腦小組開發(fā)出來，其系統(tǒng)的通用性和易用性是無可比擬的，TensorFlow是一個采用數(shù)據(jù)流圖（Data flow graphs），用于數(shù)值計算的開源軟件庫。節(jié)點（Nodes）在圖中表示數(shù)學操作，圖中的線（edges）則表示在節(jié)點間相互聯(lián)系的多維數(shù)據(jù)數(shù)組，即張量（tensor）。（數(shù)據(jù)流圖用“結點”（nodes）和“線”（edges）的有向圖來描述數(shù)學計算�！肮�(jié)點”一般用來表示施加的數(shù)學操作，但也可以表示數(shù)據(jù)輸入（feedin）的起點／輸出（push out）的終點，或者是讀�。瘜懭氤志米兞浚╬ersistent variable）的終點�！熬�”表示“節(jié)點”之間的輸入／輸出關系。這些數(shù)據(jù)“線”可以輸運“size可動態(tài)調整”的多維數(shù)據(jù)數(shù)組，即“張量”（tensor）。張量從圖中流過的直觀圖像是這個工具取名為“Tensorflow”的原因，一旦輸入端的所有張量準備好，節(jié)點將被分配到各種計算設備完成異步并行地執(zhí)行運算）。因此對想快速上手神經(jīng)網(wǎng)絡做一些有趣的圖像識別和語音識別的小伙伴可利用TensorFlow進行學習。

神經(jīng)網(wǎng)絡的變種目前有很多，如誤差反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)路、概率神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network ，CNN－適用于圖像識別）、時間遞歸神經(jīng)網(wǎng)絡（Long short－term Memory Network ，LSTM－適用于語音識別）等。但最簡單且原汁原味的神經(jīng)網(wǎng)絡則是多層感知器（Muti－Layer Perception ，MLP），只有理解經(jīng)典的原版，才能更好的去理解功能更加強大的現(xiàn)代變種。