第一章 深度學習簡介
1.1 人工智能、機器學習與深度學習
介紹人工智能、機器學習與深度學習這三個基本概念以及他們之間的關係。
早期的人工智能系統只能應用於特定環境（specific domain），爲了使計算機掌握更多開放環境（open domain）下的知識，於是出現一個影響力巨大的領域——知識圖庫（Ontology），其中的著名代表是普林斯頓大學團隊開發的WordNet知識圖庫，它相當於一個龐大的近義詞集，並且在其中定義了各種近義詞集之間的關係，官方網站：https://wordnet.princeton.edu/。
雖然知識圖庫可以很好地讓計算機掌握人工定義的知識，但是它也有巨大的缺陷：第一，搭建知識圖庫需要耗費大量的人力物力；第二，通過知識圖庫明確定義的知識有限，不是所有的知識都可以明確定義爲計算機可以理解的固定格式，比如人的經驗。
爲了讓計算機可以和人一樣從歷史的經驗當中獲得新的知識，機器學習被廣泛應用，機器學習在《Machine Learning》一書中有嚴格的定義：如果一個程序可以在任務T上，隨着經驗E的增加，效果P也可以隨之增加，則稱這個程序可以從經驗中學習。
機器學習的效果主要依賴於訓練數據的規模和從數據中提取的特徵，其中特徵提取有兩方面的難題：第一，如何數字化地表達現實中的實體，比如用不同座標系表示的數據，不同顏色的結點在一個座標系中可以被一條直線劃分，在另一個座標系中就不可以，如圖1.1-1；第二，如何從實體中提取特徵。
圖1.1-1 不同的數據表達對使用直線劃分不同顏色結點的難度影響
對很多機器學習算法而言，特徵提取不是一個簡單的工作，有時候通過人工的方式設計有效的特徵集合需要很多的時間和精力。
爲了自動地將進行特徵提取，機器學習衍生出了一個分支——深度學習，深度學習能自動地將簡單的特徵組合成更加複雜的特徵，並使用這些組合特徵解決問題，如圖1.1-2,1.1-3。
圖1.1-2 傳統機器學習和深度學習流程對比
圖1.1-3 深度學習在圖像分類問題上的算法流程樣例
總的來說，人工智能、機器學習和深度學習是非常相關的幾個領域。人工智能是一類非常廣泛的問題，機器學習是解決這類問題的一個重要手段，深度學習則是機器學習的一個分支。
1.2 深度學習的發展歷程
可以在百度上詳細瞭解，略過。
1.3 深度學習的應用
在計算機視覺、語音識別、自然語言處理和人機博弈等領域深度學習被大量應用。具體詳情可以在百度上了解，略過。
1.4 深度學習工具對比和介紹
TensorFlow官方教程：https://www.tensorflow.org/tutorials
在百度上可以詳細瞭解到深度學習工具TensorFlow的主要功能和特點，以及TensorFlow和其他主流的開源深度學習工具的對比，略過。
1.5 學習資源
該書樣例代碼網址：https://github.com/caicloud/tensorflow-tutorial
第二章 TensorFlow環境搭建
百度上各種安裝TensorFlow的教程數不勝數，在其中選擇一個靠譜的即可，略過。