机器学习简介：
机器学习的定义是：如果一个程序可以在一个任务T上，随着经验E的增加，效果P也随之增加，则称这个程序可以从经验中学习。
例如：一个垃圾邮件分类问题，上述的"一个程序"可以理解为机器学习算法，比如逻辑回归算法；"任务T"则代表区分邮箱中垃圾邮件和普通邮件的任务；"经验E"是指已经区分过是否为垃圾邮件的历史邮件，在监督式学习中称为训练数据；"效果P"代表机器学习算法在区分垃圾邮件任务上的正确率。
深度学习简介：
深度学习是机器学习的一个分支，它除了可以学习特征和任务之间的关联以外，还能自动的从简单的特征中提取更加复杂的特征。
下图显示了深度学习算法和传统的机器学习算法之间的差异：
传统机器学习算法
深度学习算法：
Google深度学习框架TensorFlow简介
TensorFlow是Google基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。
TensorFlow可被用于语音或图像识别等多项机器学习和深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源，任何人都可以用。
TensorFlow 表达了高层次的机器学习计算，大幅简化了第一代系统，并且具备更好的灵活性和可延展性。TensorFlow一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从手机、单个CPU / GPU到成百上千GPU卡组成的分布式系统。
从目前的文档看，TensorFlow支持CNN、RNN和LSTM算法，这都是目前在Image，Speech和NLP最流行的深度神经网络模型。
