『壹』 請問高手，神經網路模型與學習演算法用什麼語言編程比較好java 、C語言還是C++等。謝謝！
個人建議，用Java，畢竟它對網路的針對性較強，而學習演算法可以從C開始再到java因為從小到大比較好…
『貳』 程序員為什麼要學深度學習
費良宏：程序員為什麼要學深度學習？
深度學習本身是一個非常龐大的知識體系。本文更多想從程序員的視角出發，讓大家觀察一下深度學習對程序員意味著什麼，以及我們如何利用這樣一個高速發展的學科，來幫助程序員提升軟體開發的能力。
本文根據費良宏在2016QCon全球軟體開發大會（上海）上的演講整理而成。
前言
1973年，美國上映了一部熱門的科幻電影《WestWorld》，三年之後又有一個續集叫做《FutureWorld》。這部電影在80年代初被引進到中國叫《未來世界》。那部電影對我來講簡直可以說得上是震撼。影片中出現了很多機器人，表情豐富的面部下面都是集成電路板。這讓那時候的我覺得未來世界都是那麼遙遠、那麼神秘。
時間到了2016年，很多朋友可能都在追看HBO斥巨資拍攝的同一題材的系列劇《WestWorld》。如果前兩部電影還是局限在機器人、人工智慧這樣的話題，2016年的新劇則在劇情和人工智慧的思考方面有了很大的突破。不再渲染機器人是否會威脅到人類，而是在探討「Dreamsaremainlymemories」這一類更具哲理的問題。
「記憶究竟如何影響了智能」這個話題非常值得我們去思考，也給我們一個很好的啟示——今天，人工智慧領域究竟有了怎樣的發展和進步。
今天我們探討的話題不僅僅是簡單的人工智慧。如果大家對深度學習感興趣，我相信各位一定會在搜索引擎上搜索過類似相關的關鍵字。我在Google上以deeplearning作為關鍵字得到了2,630萬個搜索的結果。這個數字比一周之前足足多出了300多萬的結果。這個數字足以看得出來深度學習相關的內容發展的速度，人們對深度學習的關注也越來越高。
從另外的一個角度，我想讓大家看看深度學習在市場上究竟有多麼熱門。從2011年到現在一共有140多家專注人工智慧、深度學習相關的創業公司被收購。僅僅在2016年這種並購就發生了40多起。
其中最瘋狂的是就是Google，已經收購了 11 家人工智慧創業公司，其中最有名的就是擊敗了李世石九段的 DeepMind。排名之後的就要數 Apple、Intel以及Twitter。以Intel 公司為例，僅在今年就已經收購了 3 家創業公司，Itseez、Nervana 和 Movidius。這一系列大手筆的並購為了布局人工智慧以及深度學習的領域。
當我們去搜索深度學習話題的時候，經常會看到這樣的一些晦澀難懂的術語：Gradient descent（梯度下降演算法）、Backpropagation（反向傳播演算法）、Convolutional Neural Network（卷積神經網路）、受限玻耳茲曼機（Restricted Boltzmann Machine）等。
如打開任何一篇技術文章，你看到的通篇都是各種數學公式。大家看到如下左邊的圖，其實並不是一篇高水準的學術論文，而僅僅是維基網路關於玻耳茲曼機的介紹。維基網路是科普層面的內容，內容復雜程度就超過了大多數數學知識的能力。
在這樣的背景之下，我今天的的話題可以歸納成三點：第一，我們為什麼要學習深度學習；第二，深度學習最核心的關鍵概念就是神經網路，那麼究竟什麼是神經網路；第三，作為程序員，當我們想要成為深度學習開發者的時候，我們需要具備怎樣的工具箱，以及從哪裡著手進行開發。
為什麼要學習深度學習
首先，我們談談為什麼要學習深度學習。在這個市場當中，最不缺乏的就是各種概念以及各種時髦新技術的詞彙。深度學習有什麼不一樣的地方？我非常喜歡AndrewNg（吳恩達）曾經用過的一個比喻。
他把深度學習比喻成一個火箭。這個火箭有一個最重要的部分，就是它的引擎，目前來看在這個領域裡面，引擎的核心就是神經網路。大家都知道，火箭除了引擎之外還需要有燃料，那麼大數據其實就構成了整個火箭另外的重要組成部分——燃料。以往我們談到大數據的時候，更多是強調存儲和管理數據的能力，但是這些方法和工具更多是對於以往歷史數據的統計、匯總。
而對於今後未知的東西，這些傳統的方法並不能夠幫助我們可以從大數據中得出預測的結論。如果考慮到神經網路和大數據結合，我們才可能看清楚大數據真正的價值和意義。AndrewNg就曾經說過「我們相信（神經網路代表的深度學習）是讓我們獲得最接近於人工智慧的捷徑」。這就是我們要學習深度學習的一個最重要的原因。
其次，隨著我們進行數據處理以及運算能力的不斷提升，深度學習所代表的人工智慧技術和傳統意義上人工智慧技術比較起來，在性能上有了突飛猛進的發展。這主要得益於在過去幾十間計算機和相關產業不斷發展帶來的成果。在人工智慧的領域，性能是我們選擇深度學習另一個重要的原因。
這是一段Nvidia在今年公布的關於深度學習在無人駕駛領域應用的視頻。我們可以看到，將深度學習應用在自動駕駛方面，僅僅經歷了3千英里的訓練，就可以達到什麼樣的程度。在今年年初進行的實驗上，這個系統還不具備真正智能能力，經常會出現各種各樣的讓人提心吊膽的狀況，甚至在某些情況下還需要人工干預。
但經過了3千英里的訓練之後，我們看到在山路、公路、泥地等各種復雜的路況下面，無人駕駛已經有了一個非常驚人的表現。請大家注意，這個深度學習的模型只經過了短短幾個月、3千英里的訓練。
如果我們不斷完善這種模型的話，這種處理能力將會變得何等的強大。這個場景裡面最重要的技術無疑就是深度學習。我們可以得出一個結論：深度學習可以為我們提供強大的能力，如果程序員擁有了這個技術的話，無異於會讓每個程序員如虎添翼。
神經網路快速入門
如果我們對於學習深度學習沒有任何疑慮的話，接下來就一定會關心我需要掌握什麼樣的知識才能讓我進入到這個領域。這裡面最重要的關鍵技術就是「神經網路」。說起「神經網路」，容易混淆是這樣兩個完全不同的概念。
一個是生物學神經網路，第二個才是我們今天要談起的人工智慧神經網路。可能在座的各位有朋友在從事人工智慧方面的工作。當你向他請教神經網路的時候，他會拋出許多陌生的概念和術語讓你聽起來雲里霧里，而你只能望而卻步了。
對於人工智慧神經網路這個概念，大多數的程序員都會覺得距離自己有很大的距離。因為很難有人願意花時間跟你分享神經網路的本質究竟是什麼。而你從書本上讀的到的理論和概念，也很讓你找到一個清晰、簡單的結論。
今天就我們來看一看，從程序員角度出發神經網路究竟是什麼。我第一次知道神經網路這個概念是通過一部電影——1991年上映的《終結者2》。男主角施瓦辛格有一句台詞：
「MyCPUisaneural-netprocessor;alearningcomputer.」（我的處理器是一個神經處理單元，它是一台可以學習的計算機)。從歷史來看人類對自身智力的探索，遠遠早於對於神經網路的研究。
1852年，義大利學者因為一個偶然的失誤，將人類的頭顱掉到硝酸鹽溶液中，從而獲得第一次通過肉眼關注神經網路的機會。這個意外加速了對人類智力奧秘的探索，開啟了人工智慧、神經元這樣概念的發展。
生物神經網路這個概念的發展，和今天我們談的神經網路有什麼關系嗎？我們今天談到的神經網路，除了在部分名詞上借鑒了生物學神經網路之外，跟生物學神經網路已經沒有任何關系，它已經完全是數學和計算機領域的概念，這也是人工智慧發展成熟的標志。這點大家要區分開，不要把生物神經網路跟我們今天談到的人工智慧有任何的混淆。
90年代中期，由Vapnik等人提出了支持向量機演算法（Support Vector Machines，支持向量機）。很快這個演算法就在很多方面體現出了對比神經網路的巨大優勢，例如：無需調參、高效率、全局最優解等。基於這些理由，SVM演算法迅速打敗了神經網路演算法成為那個時期的主流。而神經網路的研究則再次陷入了冰河期。
在被人摒棄的十年裡面，有幾個學者仍然在堅持研究。其中很重要的一個人就是加拿大多倫多大學的Geoffery Hinton教授。2006年，他的在著名的《Science》雜志上發表了論文，首次提出了「深度信念網路」的概念。
與傳統的訓練方式不同，「深度信念網路」有一個「預訓練」（pre-training）的過程，這可以方便的讓神經網路中的權值找到一個接近最優解的值，之後再使用「微調」(fine-tuning)技術來對整個網路進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網路的時間。在他的論文裡面，他給多層神經網路相關的學習方法賦予了一個新名詞— 「深度學習」。
很快，深度學習在語音識別領域嶄露頭角。接著在2012年，深度學習技術又在圖像識別領域大展拳腳。Hinton與他的學生在ImageNet競賽中，用多層的卷積神經網路成功地對包含一千個類別的一百萬張圖片進行了訓練，取得了分類錯誤率15%的好成績，這個成績比第二名高了將近11個百分點。
這個結果充分證明了多層神經網路識別效果的優越性。從那時起，深度學習就開啟了新的一段黃金時期。我們看到今天深度學習和神經網路的火熱發展，就是從那個時候開始引爆的。
利用神經網路構建分類器，這個神經網路的結構是怎樣的？
其實這個結構非常簡單，我們看到這個圖就是簡單神經網路的示意圖。神經網路本質上就是一種「有向圖」。圖上的每個節點借用了生物學的術語就有了一個新的名詞 – 「神經元」。連接神經元的具有指向性的連線（有向弧）則被看作是「神經」。這這個圖上神經元並不是最重要的，最重要的是連接神經元的神經。每個神經部分有指向性，每一個神經元會指向下一層的節點。
節點是分層的，每個節點指向上一層節點。同層節點沒有連接，並且不能越過上一層節點。每個弧上有一個值，我們通常稱之為」權重「。通過權重就可以有一個公式計算出它們所指的節點的值。這個權重值是多少？我們是通過訓練得出結果。它們的初始賦值往往通過隨機數開始，然後訓練得到的最逼近真實值的結果作為模型，並可以被反復使用。這個結果就是我們說的訓練過的分類器。
節點分成輸入節點和輸出節點，中間稱為隱層。簡單來說，我們有數據輸入項，中間不同的多個層次的神經網路層次，就是我們說的隱層。之所以在這樣稱呼，因為對我們來講這些層次是不可見的。輸出結果也被稱作輸出節點，輸出節點是有限的數量，輸入節點也是有限數量，隱層是我們可以設計的模型部分，這就是最簡單的神經網路概念。
如果簡單做一個簡單的類比，我想用四層神經網路做一個解釋。左邊是輸入節點，我們看到有若干輸入項，這可能代表不同蘋果的RGB值、味道或者其它輸入進來的數據項。中間隱層就是我們設計出來的神經網路，這個網路現在有不同的層次，層次之間權重是我們不斷訓練獲得一個結果。
最後輸出的結果，保存在輸出節點裡面，每一次像一個流向一樣，神經是有一個指向的，通過不同層進行不同的計算。在隱層當中，每一個節點輸入的結果計算之後作為下一層的輸入項，最終結果會保存在輸出節點上，輸出值最接近我們的分類，得到某一個值，就被分成某一類。這就是使用神經網路的簡單概述。
除了從左到右的形式表達的結構圖，還有一種常見的表達形式是從下到上來表示一個神經網路。這時候，輸入層在圖的最下方，輸出層則在圖的最上方。從左到右的表達形式以AndrewNg和LeCun的文獻使用較多。而在Caffe框架里則使用的則是從下到上的表達。
簡單來說，神經網路並不神秘，它就是有像圖，利用圖的處理能力幫助我們對特徵的提取和學習的過程。2006年Hinton的那篇著名的論文中，將深度學習總結成三個最重要的要素：計算、數據、模型。有了這三點，就可以實現一個深度學習的系統。
程序員需要的工具箱
對於程序員來說，掌握理論知識是為了更好的編程實踐。那就讓我們看看，對於程序員來說，著手深度學習的實踐需要准備什麼樣的工具。
硬體
從硬體來講，我們可能需要的計算能力，首先想到的就是CPU。除了通常的CPU架構以外，還出現了附加有乘法器的CPU，用以提升計算能力。此外在不同領域會有DSP的應用場景，比如手寫體識別、語音識別、等使用的專用的信號處理器。還有一類就是GPU，這是一個目前深度學習應用比較熱門的領域。最後一類就是FPGA（可編程邏輯門陣列）。
這四種方法各有其優缺點，每種產品會有很大的差異。相比較而言CPU雖然運算能力弱一些，但是擅長管理和調度，比如讀取數據，管理文件，人機交互等，工具也豐富。DSP相比而言管理能力較弱，但是強化了特定的運算能力。
這兩者都是靠高主頻來解決運算量的問題，適合有大量遞歸操作以及不便拆分的演算法。GPU的管理能力更弱一些，但是運算能力更強。但由於計算單元數量多，更適合整塊數據進行流處理的演算法。
FPGA在管理與運算處理方面都很強，但是開發周期長，復雜演算法開發難度較大。就實時性來說，FPGA是最高的。單從目前的發展來看，對於普通程序員來說，現實中普遍採用的計算資源就還是是CPU以及GPU的模式，其中GPU是最熱門的領域。
這是我前天為這次分享而准備的一個AWS 上p2的實例。僅僅通過幾條命令就完成了實例的更新、驅動的安裝和環境的設置，總共的資源創建、設置時間大概在10分鍾以內。而之前，我安裝調試前面提到的那台計算機，足足花了我兩天時間。
另外，從成本上還可以做一個對比。p2.8xLarge 實例每小時的費用是7.2美元。而我自己那台計算機總共的花費了是¥16,904元。這個成本足夠讓我使用350多個小時的p2.8xLarge。在一年裡使用AWS深度學習站就可以抵消掉我所有的付出。隨著技術的不斷的升級換代，我可以不斷的升級我的實例，從而可以用有限的成本獲得更大、更多的處理資源。這其實也是雲計算的價值所在。
雲計算和深度學習究竟有什麼關系？今年的8月8號，在IDG網站上發表了一篇文章談到了這個話題。文章中做了這樣一個預言：如果深度學習的並行能力不斷提高，雲計算所提供的處理能力也不斷發展，兩者結合可能會產生新一代的深度學習，將帶來更大影響和沖擊。這是需要大家考慮和重視的一個方向！
軟體
深度學習除了硬體的基礎環境之外。程序員會更關心與開發相關的軟體資源。這里我羅列了一些曾經使用過的軟體框架和工具。
Scikit-learn是最為流行的一個python機器學習庫。它具有如下吸引人的特點：簡單、高效且異常豐富的數據挖掘/數據分析演算法實現； 基於NumPy、SciPy以及matplotlib，從數據探索性分析，數據可視化到演算法實現，整個過程一體化實現；開源，有非常豐富的學習文檔。
Caffe專注在卷及神經網路以及圖像處理。不過Caffe已經很久沒有更新過了。這個框架的一個主要的開發者賈揚清也在今年跳槽去了Google。也許曾經的霸主地位要讓位給他人了。
Theano 是一個非常靈活的Python 機器學習的庫。在研究領域非常流行，使用上非常方便易於定義復雜的模型。Tensorflow 的API 非常類似於Theano。我在今年北京的QCon 大會上也分享過關於Theano 的話題。
Jupyter notebook 是一個很強大的基於ipython的python代碼編輯器，部署在網頁上，可以非常方便的進行互動式的處理，很適合進行演算法研究合數據處理。
Torch 是一個非常出色的機器學習的庫。它是由一個比較小眾的lua語言實現的。但是因為LuaJIT 的使用，程序的效率非常出色。Facebook在人工智慧領域主打Torch，甚至現在推出了自己的升級版框架Torchnet。
深度學習的框架非常之多，是不是有一種亂花漸欲迷人眼的感覺？我今天向各位程序員重點介紹的是將是TensorFlow。這是2015年穀歌推出的開源的面向機器學習的開發框架，這也是Google第二代的深度學習的框架。很多公司都使用了TensorFlow開發了很多有意思的應用，效果很好。
用TensorFlow可以做什麼？答案是它可以應用於回歸模型、神經網路以深度學習這幾個領域。在深度學習方面它集成了分布式表示、卷積神經網路(CNN)、遞歸神經網路(RNN) 以及長短期記憶人工神經網路（Long-Short Term Memory, LSTM）。
關於Tensorflow 首先要理解的概念就是Tensor。在辭典中對於這個詞的定義是張量，是一個可用來表示在一些向量、標量和其他張量之間的線性關系的多線性函數。實際上這個表述很難理解，用我自己的語言解釋Tensor 就是「N維數組」而已。
使用 TensorFlow, 作為程序員必須明白 TensorFlow這樣幾個基礎概念：它使用圖 (Graph) 來表示計算任務；在被稱之為 會話 (Session) 的上下文 (context) 中執行圖；使用 Tensor 表示數據；通過 變數 (Variable) 維護狀態；使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據。
一句話總結就是，TensorFlow 就是有狀態圖的數據流圖計算環境，每個節點就是在做數據操作，然後提供依賴性和指向性，提供完整數據流。
TensorFlow安裝非常簡單，但官網提供下載的安裝包所支持的CUDA 的版本是7.5。考慮到CUDA 8 的讓人心動的新特以及不久就要正式發布的現狀。或許你想會考慮立即體驗CUDA 8，那麼就只能通過編譯Tensorflow源代碼而獲得。目前TensorFlow已經支持了Python2.7、3.3+。
此外，對於使用Python 語言的程序員還需要安裝所需要的一些庫，例如：numpy、protobuf等等。對於卷積處理而言，cuDNN是公認的性能最好的開發庫，請一定要安裝上。常規的Tensorsorflow的安裝很簡單，一條命令足矣：
$ pip3 install —upgrade https://storage.233.wiki/tensorflow/linux/cpu/tensorflow-0.11.0rc0-cp35-cp35m-linux_x86_64.whl
如果想評估一下或者簡單學習一下，還可以通過Docker進行安裝，安裝的命令如下：
$ docker run -it -p 8888:8888 gcr.io/tensorflow/tensorflow
TensorFlow有很多優點。首先，目前為止，深度學習的開發框架裡面TensorFlow的文檔做的最好，對程序員學習而言是非常好的一點。第二，TensorFlow有豐富的參考實例，作為參考學習起來非常容易。
第三，開發者社區活躍，在任何一個深度學習的社區里，都有大量關於TensorFlow的討論。第四，谷歌的支持力度非常大，從2015年到現在升級速度非常快，這是其他開源框架遠遠達不到的結果。
參考TensorFlow的白皮書，我們會看到未來TensorFlow還將會有巨大的發展潛力。讓我特別感興趣是這兩個方向。第一，支持跨多台機器的 parallelisation。盡管在0.8版本中推出了並行化的能力，但是目前還不完善。隨著未來不斷發展，依託雲計算的處理能力的提升這個特性將是非常讓人振奮的。
第二，支持更多的開發語言，對於開發者來說這是一個絕大的利好，通過使用自己擅長的語言使用TensorFlow應用。這些開發語言將會擴展到Java、Lua以及R 等。
在這里我想給大家展示一個應用Tensorflow 的例子。這個例子的代碼託管在這個網址上 https://github.com/anishathalye/neural-style。白俄羅斯的現代印象派藝術家Leonid Afremov善於用濃墨重彩來表現都市和風景題材，尤其是其雨景系列作品。他習慣用大色塊的鋪陳來營造光影效果，對反光物體和環境色的把握非常精準。
於是我就找到了一張上海東方明珠電視塔的一張攝影作品，我希望通過Tensorflow 去學習一下Leonid Afremov 的繪畫風格，並將這張東方明珠的照片處理成那種光影色彩豐富的作品風格。利用Tensorflow 以及上面提到的那個項目的代碼，在一個AWS 的p2類型的實例上進行了一個一千次的迭代，於是就得到了下圖這樣的處理結果。
這個處理的代碼只有350行里，模型使用了一個成名於2014年ImageNet比賽中的明星 VGG。這個模型非常好，特點就是「go depper」。
TensorFlow 做出這樣的作品，並不僅僅作為娛樂供大家一笑，還可以做更多有意思的事情。將剛才的處理能力推廣到視頻當中，就可以看到下圖這樣的效果，用梵高著名的作品」星月夜「的風格就加工成了這樣新的視頻風格。
可以想像一下，如果這種處理能力在更多領域得以應用，它會產生什麼樣的神奇結果？前景是美好的，讓我們有無限遐想。事實上我們目前所從事的很多領域的應用開發都可以通過使用神經網路和深度學習來加以改變。對於深度學習而言，掌握它並不是難事。每一個程序員都可以很容易的掌握這種技術，利用所具備的資源，讓我們很快成為深度學習的程序開發人員。
結束語
未來究竟是什麼樣，我們沒有辦法預言。有位作家Ray Kurzweil在2005年寫了《奇點臨近》一書。在這本書裡面他明確告訴我們，那個時代很快到來。作為那個時代曙光前的人群，我們是不是有能力加速這個過程，利用我們學習的能力實現這個夢想呢？
中國人工智慧的發展
人工智慧的時代無疑已經到來，這個時代需要的當然就是掌握了人工智慧並將其解決具體問題的工程師。坦率的說，市場上這一類的工程師還屬於鳳毛麟角。職場上的薪酬待遇可以看得出來這樣的工程師的搶手的程度。人工智慧這門學科發展到今天，就學術自身而言已經具備了大規模產業化的能力。
所以說，對於工程師而言當務之急就是盡快的掌握應用人工智慧的應用技術。當下在互聯網上關於人工智慧的學習資料可以說已經是「汗牛充棟」，那些具備了快速學習能力的工程師一定會在人工智慧的大潮當中脫穎而出。
中國發展人工智慧產業的環境已經具備。無論從創業環境、人員的素質乃至市場的機遇而言完全具備了產生產業變革的一切條件。與美國相比較，在人工智慧的許多領域中國團隊的表現也可以說是不逞多讓。就人工智慧的技術層面而言，中國的工程師與全球最好的技術團隊正處於同一個起跑線上。
時不我待，中國的工程師是有機會在這個領域大展身手的。不過值得注意的是，要切忌兩點：一是好高騖遠，盲目與國外攀比。畢竟積累有長短，術業有專攻，我們要立足於已有的積累，尋求逐步的突破。二是一擁而上，盲目追求市場的風口。人工智慧的工程化需要大量的基礎性的積累，並非一蹴而就簡單復制就可以成功。
中國的科研技術人員在人工智慧領域的成就有目共睹。在王詠剛的一篇文章裡面，他統計了從2013年到2015年SCI收錄的「深度學習」論文，中國在2014年和2015年超已經超過了美國居於領跑者的位置。
另外一讓我感到驚訝的事情，Google的JeffDean在2016年發表過一篇名為《TensorFlow:Asystemforlarge-scalemachinelearning》的論文。文章的22個作者裡面，明顯是中國名字的作者占已經到了1/5。如果要列舉中國人/華人在人工智慧領域里的大牛，吳恩達、孫劍、楊強、黃廣斌、馬毅、張大鵬……很容易就可以說出一大串。
對於中國來說目前的當務之急是人工智慧技術的產業化，唯有如此我們才可以講科研／智力領域的優勢轉化為整體的、全面的優勢。在這一點上，中國是全球最大的消費市場以及製造業強國，我們完全有機會藉助市場的優勢成為這個領域的領先者。
矽谷創新企業
矽谷雖然去過許多回，但一直無緣在那裡長期工作。在人工智慧領域的市場我們聽到的更多是圍繞Google、Apple、Intel、Amazon這樣的一些大型科技公司的一舉一動。但是在美國市場上還有一大批小型的創業企業在人工智慧這個領域有驚艷的表現。僅以矽谷區域的公司為例：
Captricity，提供了手寫數據的信息提取；
VIVLab，針對語音識別開發了虛擬助手服務；
TERADEEP，利用FPGA提供了高效的卷積神經網路的方案；
還有提供無人駕駛解決方案的NetraDyne。
這個名單還可以很長，還有許許多多正在利用人工智慧技術試圖去創造歷史的團隊正在打造他們的夢想。這些團隊以及他們正在專注的領域是值得我們去學習和體會的。
『叄』 急求BP神經網路演算法，用java實現！！！
見附件，一個基本的用java編寫的BP網路代碼。
BP（Back Propagation）神經網路是86年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。
『肆』 人工智慧是用什麼語言編寫的
人工智慧用的比較多的語言有：Python、JAVA 和相關語言、C/C++、JavaScript、R語言。從事人工智慧，需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。需要演算法的積累：人工神經網路，支持向量機，遺傳演算法等等演算法;當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM;總之演算法很多需要時間的積累。需要掌握至少一門編程語言：畢竟演算法的實現還是要編程的;如果深入到硬體的話，一些電類基礎課必不可少。有的還會需要了解域名比如com、top等等。『伍』 人工智慧用的編程語言是哪些
在推動AI產業從興起進入快速發展的歷程中，AI頂級人才的領軍作用尤為重要。上至國家，下至科技巨頭，無不將AI視為提升自身的核心競爭力的根本性戰略。那麼你有沒有想過這么一個問題：人工智慧開發語言哪個更好？
其實，並不是每種編程語言，都能為開發人員節省時間及精力。在此整理了5種比較適用於人工智慧開發的編程語言：
Python
Python由於簡單易用，是人工智慧領域中使用較廣泛的編程語言之一，它可以無縫地與數據結構和其他常用的AI演算法一起使用。Python之所以時候AI項目，其實也是基於Python的很多有用的庫都可以在AI中使用，如Numpy提供科學的計算能力，Scypy的高級計算和Pybrain的機器學習。另外，Python有大量的在線資源，所以學習曲線也不會特別陡峭。
Java
對於AI項目來說，演算法幾乎是靈魂，無論是搜索演算法、自然語言處理演算法還是神經網路，Java都可以提供一種簡單的編碼演算法。另外，Java的擴展性也是AI項目必備的功能之一。
Lisp
Lisp因其出色的原型設計能力和對符號表達式的支持在AI領域嶄露頭角。LISP作為因應人工智慧而設計的語言，因其可用性和符號結構而主要用於機器學習/ ILP子領域。著名的AI專家彼得·諾維奇（Peter Norvig）在其《Artificial Intelligence: A modern approach》一書中，詳細解釋了為什麼Lisp是AI開發的頂級編程語言之一。
Prolog
Prolog一種邏輯編程語言，主要是對一些基本機制進行編程，對於AI編程十分有效，例如它提供模式匹配，自動回溯和基於樹的數據結構化機制。結合這些機制可以為AI項目提供一個靈活的框架。Prolog廣泛應用於AI的 expert系統，也可用於醫療項目的工作。
C ++
在AI項目中，C++可用於統計，如神經網路。另外演算法也可以在C ++被廣泛地快速執行，游戲中的AI主要用C ++編碼，以便更快地執行和響應時間。這也是一門非常不錯的語言。
『陸』 大家怎麼理解「業務代碼」為什麼有人覺得寫業務代碼很low
在我眼裡，也經常會把程序員分成兩類：一種是我等這種寫業務代碼的程序員，另外一種是研究高深演算法、造「輪子」的「科學家」...
將他們稱之為科學家是有些誇張，第一次冒出這樣的想法是參加一個技術大會，當別的嘉賓都在分享開發、設計、架構、管理方面的經驗時，一名在騰訊工作的演算法工程師（應該已經是一個小領導了），他上台分享了一些諸如：滑動平均自回歸模型、神經網路基因表達式編程、SVM回歸機集成學習...坐在台下的我第一次冒出這樣的念頭：「這**是科學家研究的東西吧。」
當然，倒也不能說寫業務代碼就很 low，寫業務代碼也不是想像中那麼簡單的。
寫業務相關的代碼，必須了解業務流程，還需要了解業務人員心裡是怎麼想的，也就是業務出發點是什麼樣子的。
比如我最近遇到一個需求，過程大概是這樣的：銷售人員在賣一款產品，這款產品非常火，有些優秀的銷售人員一周可能能賣出去幾百上千單；結果我們接到一個需求，要限制每個代理人的銷售數量，比如每人只能賣 10 個（之前已經賣掉的不算）；這就讓我們非常奇怪，本來賣的好好的，為什麼要做這個限制呢？這個需求看起來就非常的不合理。
後來業務人員和我們解釋了一下原因：因為這款產品公司不掙錢，銷售人員為了推這個產品，花在別的產品上的時間就少了，所以出這個功能，就是讓銷售人員「收收心」，把精力放在其他產品上。
這么一解釋，我們就立刻明白了；所以如果你不明白業務的時候，看著需求敲代碼也是非常容易出錯的。
有些人會認為業務邏輯就是一堆 if-else，但是我認為在實際工作中，這些 if-else 也是非常難做到的。
業務邏輯是人設計的，業務邏輯難不可怕，可怕的是它不嚴謹和變化快；業務邏輯和那些確定性的東西不一樣，比如我們寫好的代碼 if-else 兩個分支，那麼再怎麼也不會跳出這個范圍，業務邏輯就不一樣了，它是非常靈活的、不確定的，業務機會來的快消失的也快，我們很難開發出來一套全面的、完善的、靈活的的系統，去應對將來可能會發生的需求。
所以在開發過程中，如果可以將業務流程拆分成多個組件模型，組件和組件配合完成一個完成的業務流程；當業務發生變化或有新業務的時候，只需要重新編排這些組件，或對某一個組件做少量更改，就可以滿足業務變化；如果能做到這個程度，也是非常不容易的。
在這個過程中，你需要做到高內聚低耦合，避免過度抽象，從業務流程和動機出發，已滿足業務需要為主；既然做不了「科學家」，我們就努力把業務代碼寫好把。
我將持續分享Java開發、架構設計、程序員職業發展等方面的見解，希望能得到你的關注。
首先，我認為寫業務代碼不「low」，但是大部分不假思索拷貝粘貼的業務代碼比較「low」，換句話說就是所謂的五年工作經驗就是把第一年的工作重復了五遍。
技術人員成長一般有兩條線，一條是成為技術專家，一條是成為領域專家。所謂的轉管理我理解也就是領域專家，畢竟不懂得領域知識是無法做好管理的，比如說你是互聯網金融某個業務部門的leader，那麼你肯定要懂金融。領域知識就是在不斷的寫業務代碼和思考中積累起來。
還有一個問題就是如何定義業務，比如說「實現一個修改訂單功能」，這是一個業務需求，看起來很low，但是如果業務需求改成「實現一個修改訂單功能，要求在有限資源的情況下並發10k，響應時間不高於10ms」，那這個需求就有挑戰。說這個問題想說明白一件事情，如果做業務不要停留的在業務表面，僅僅滿足於實現功能，要主動思考。
最後總結一下，沒有最好的技術，只有最適合業務的技術。技術是內功，業務是招式，內功不足，後續成長乏力，沒有招式，內功也不能發揮威力。這是也很多互聯網創業公司做大了之後要技術轉型的原因。
業務程序開發相對於底層基礎架構層的程序開發有所不同：
業務開發的時間比較緊，變化快。
這個特點導致程序員沒有時間重構代碼，或者不願意重構代碼，而是用最簡單粗暴的復制黏貼的方式快速實現業務邏輯。其實所有的復制黏貼都意味著需要重構。
底層系統的開發，一般是架構師和高級程序員來設計和控制項目時間。相對來說，開發周期長，變化緩慢。會更加註重架構的合理性和穩定性，而且會不斷重構和改進。
業務開發一旦完成，只要平穩運行就不會有人再回來補技術債務，不會把它寫得更好。除非這個業務爆發了，不得不從新架構以支持更高的並發。如果上線之後表現不佳，很可能下線不再維護。所以公司也不太願意花太多精力在一個還沒有被市場認可的產品項目上。
而底層架構框架的項目會在不同的產品項目中不斷應用。不斷地進化。就像Spring之類的開源框架一樣，不斷的升級和完善。
相對來說，業務開發程序員會花大量的時間學習和理解業務知識；而底層框架程序員更多的時間在學習技術架構。如果業務知識在行業內通用，比如財務，金融行業知識。那麼長期的積累對業務開發也是很有幫助的。如果業務是很小眾的，甚至，這幾個月做這個業務，下半年又做另一個業務，做的時候也一知半解，就像很多外包一樣，那就沒有什麼業務沉澱了。
我就是寫業務代碼的，不過我覺得這很正常啊，不知道你是怎麼就覺得low啦？
所以，做為一個企業，支撐發展的肯定是他的業務，不管是賣什麼服務，都要通過業務來賺錢，可能針對業務，企業內部還會做一些細化。比如說，有人會是做一些前端，一些人做後端，還有運維，運營，產品的配合。前端再細化，一部分人會做一些頁面的展示，呈現，還有一部分人會做一些適合業務的工具，來提升開發效率。
那如果你自己的定位是只是單單寫頁面的，那隻能說你對自己的要求有點低，你沒有去考慮如何做一些提升工作效率的事情。舉個例子，比如說常見的後台管理系統，因為功能都很類似的，那你有去考慮如何做一個通用的模版嗎，還是就是不斷地去重復。
這個別人的產出，做了一個vue的後台管理系統的模版，現在的GitHub star在6萬多，通過這個項目，他就可以得到更多人的認可，也能得到更多的好的工作機會。
所以，不要覺得業務代碼就是low的，要善於去總結，然後再分享自己的經驗，沒准你也能成為一個領域內的Top。
不要太在意所謂low與不low，需要在意的是做了這個項目或業務後，對自己的能力有沒有長進，如果有，那說明不low。如果沒有，那說明你只是在機械的勞動而已。
每個大佬都是從業務代碼做起的，大佬們注重的是能否成長，學習實踐的機會，以及平台的大小和未來是否和自己的目標相匹配。
總結來說，只要能提升自己能力的任何工作，都是值得的。
業務代碼不一定low，能完成用戶需求的代碼就是好代碼。
另外，對於我們搞嵌入式軟體、EDA工具軟體的來說，業務軟體反而是更有技術含量的，更具科學意義的代碼，而軟體可能只是載體，你啥時候透過代碼理解了它們背後的物理概念、數學公式，你就超越了程序員，能向科學家又邁進一步。
互聯網軟體其實也一樣，軟體實現的是一個業務流程的自動化，你完全可以透過你寫的程序還原甲方用戶的業務流程，而這種流程是老闆制訂的，認識會上一個層次，將來可以向老闆邁進
我覺得首先大家要理解什麼是「業務代碼」，業務代碼是一個相對的概念。
1.對於一個一般的物聯網應用型公司來說，業務代碼就是根據客戶需求基於一個MCU或者MPU的應用控制邏輯的實現。
2.對於一個做純上層應用的公司來說，業務代碼就是基於一個操作系統為客戶量身定製對應的app,並實現對應的應用邏輯。
3.對於一個微型控制器設計廠商，業務代碼就是底層架構裸機的具體實現和各個外設驅動的框架設計。
4.對於一個設計操作系統的開發人員來說，業務代碼就是架構設計、內存管理、調度機制優化、優先順序管理、進程間通信機制優化、線程管理和內核完善等等。
所謂」業務代碼」都是相對的，沒有參考系怎麼談。像操作系統，站在操作系統內核提供方的角度看，上層所有的應用框架，進程服務，都是業務代碼，我是為他們服務的。技術只是工具，業務實現才是目的，站在不同供應商的角度，只要涉及代碼的地方都可以稱之為業務代碼。所以站在這個維度，如果要說業務代碼「LOW」,那就沒有代碼是不"LOW"的了。
不過，真正接觸底層或者實現RTOS底層業務框架的工程師其實是很少的。大部分工程師基本上都是對於客戶需求做一些非驅動底層非操作系統框架的應用型的開發，所以大多時候「業務代碼「又單一的被指向了那些只是對客戶的上層應用的需求做開發、調整或者迭代的代碼。
而這部分代碼究竟"LOW"還是不"LOW"呢，我的答案是：不"LOW"。但是現實卻是很「LOW」,之所以會被想成LOW，是因為：
1.判斷一個程序員的優秀程度已經不單單看你寫了多少應用型的代碼，設計了多少應用框架，而是你懂不懂底層驅動邏輯，懂不懂操作系統內核，懂不懂內核裁減等等。所以這種情況會經常出現在面試過程中，面試官會因為你不懂底層驅動、不懂內核而給你比較低的薪水。
2.懂得寫業務代碼的人，他的程序員基礎並不一定就牢固。因為上層應用可能對業務比較看重，但是對於一些特定的語言的編程並沒有那麼嚴謹。能用就可以，所以會自然而然的認為這樣的程序員「LOW」。而一個會寫底層驅動的人，他考慮更多的是基礎代碼的安全、嚴謹性和容量問題等等，他們的語言基礎相對來說要牢固很多。
3.技術負責人一般都是全能型的人。會寫底層驅動或者更懂操作系統內核的人更容易成為技術的領頭人。而那些只會「業務代碼」的人，放在大部分公司,一般都不會有太多的上升空間。
根據以上分析過後呢，做「業務代碼」的程序員基本上會被想的很「LOW」,但是結合我的親身經歷，不同的人對於這個事情卻會有不同的看法。
比如對於領導來說，那就不一樣了。你將「業務代碼」的需求迭代了，完善了，提前任務完成了，客戶很滿意。那領導不會認為你是一個很「LOW」的程序員。你很高級，領導很欣賞，「後果」很舒服。但是對於一個面試官來說，你就會點上層應用的調用和設計。我為什麼要給你這么多薪水？雖然會被想成很"LOW"，但是也是現實。
好了，這個問題就回答到這里，以上都是個人結合實際經歷的一些體會，喜歡的加關注，我是一名深漂的嵌入式程序員，歡迎私信留言，感謝！
我有面試過一個40歲的程序員，做過幾百個網站，要求工資才6000元，他只會做簡單的企業網站，因為他一直在很小的公司工作，只能做小項目，這我覺得是業務代碼，就是做一些重復和沒難道的工作。
林子大了什麼鳥都有，不知道你說的有人是指多少比例的人。我的理解代碼可以分為兩類：1:工具欄或者框架類2:業務類。寫工具類偏重於健壯可拓展可復用；寫業務類偏重於邏輯嚴謹沒有漏洞，化繁為簡。畢竟有些時候需求或者業務都不甚清楚他們想要的邏輯。有時候復雜的業務流程你捋都不順，更別說代碼寫的好了。當然，工具類到高深，工具好用，框架優秀確實需要的技術功底深厚，比業務類要考慮的東西也多，但不代表寫業務類代碼很low。當然，不管寫什麼代碼，完全復制黏貼而不去考慮與實際場景結合，不去想為什麼？有沒有更好的處理方案是比較low的
有人覺得low
1.可能是覺得沒有什麼技術含量吧，用的都是一些成熟的技術框架，就是一些增刪改查而已，但是這並不意味著寫業務代碼就很簡單，因為這裡麵包含著業務邏輯，業務邏輯有簡單的也有復雜的，如果對業務邏輯業務背景不理解或理解不透就很難實施下去，其實現在很多專家級別的程序員並不是技術有多牛，而是對某個行業領域有比較深刻的理解。
2.還有可能就是內心裡對業務就很輕視，這個更是不應該的，因為技術是為業務服務的，是業務讓技術變的有價值。
『柒』 2019年十大最佳深度學習框架
作者 | Python語音識別
來源 | 濤哥聊Python
雖然我們大多數人都驚嘆為什麼DL這么好？在使用大量數據進行訓練時，它在准確性方面非常出色。近幾年隨著深度學習演算法的發展，出現了很多深度學習的框架，這些框架各有所長，各具特色。下面將為大家介紹2019年最受歡迎的十大深度學習框架。
TensorFlow谷歌的Tensorflow可以說是當今最受歡迎的深度學習框架。Gmail，Uber，Airbnb，Nvidia以及其他許多知名品牌都在使用。TF是目前深度學習的主流框架，Tensorflow主要特性：
TensorFlow支持python、JavaScript、C ++、Java和Go，C＃和Julia等多種編程語言。 TF不僅擁有強大的計算集群，還可以在iOS和Android等移動平台上運行模型。 TF編程入門難度較大。初學者需要仔細考慮神經網路的架構，正確評估輸入和輸出數據的維度和數量。 TF使用靜態計算圖進行操作 。也就是說我們需要先定義圖形，然後運行計算，如果我們需要對架構進行更改，我們會重新訓練模型。選擇這樣的方法是為了提高效率，但是許多現代神經網路工具能夠在學習過程中考慮改進而不會顯著降低學習速度。在這方面，TensorFlow的主要競爭對手是PyTorch 。TensorFlow優點：
它非常適合創建和試驗深度學習架構，便於數據集成，如輸入圖形，SQL表和圖像。 它得到谷歌的支持，這就說明該模型短期內不會被拋棄，因此值得投入時間來學習它。 PyTorchTensorflow之後用於深度學習的主要框架是PyTorch。PyTorch框架是Facebook開發的，已被Twitter和Salesforce等公司使用。
PyTorch基本特性：
與TensorFlow不同，PyTorch庫使用動態更新的圖形進行操作 。這意味著它可以在流程中更改體系結構。 在PyTorch中，您可以使用標准調試器 ，例如pdb或PyCharm。PyTorch優點：
訓練神經網路的過程簡單明了。同時，PyTorch支持數據並行和分布式學習模型，並且還包含許多預先訓練的模型。 PyTorch更適合小型項目和原型設計。 SonnetSonnet深度學習框架是建立在TensorFlow的基礎之上。它是DeepMind用於創建具有復雜架構的神經網路。
Sonnet基本特性：
面向對象的庫，在開發神經網路（NN）或其他機器學習（ML）演算法時更加抽象。 Sonnet的想法是構造對應於神經網路的特定部分的主要Python對象。此外，這些對象獨立地連接到計算TensorFlow圖。分離創建對象並將其與圖形相關聯的過程簡化了高級體系結構的設計。Sonnet優點：
Sonnet的主要優點是可以使用它來重現DeepMind論文中展示的研究，比Keras更容易，因為DeepMind論文模型就是使用Sonnet搭建的。 KerasKeras是一個機器學習框架，如果您擁有大量數據和/或你想快速入門深度學習，那麼Keras將非常適合學習。Keras是TensorFlow高級集成APi，可以非常方便的和TensorFlow進行融合。這是我強烈推薦學習的一個庫。
Keras基本特性：
除了Tensorflow之外，Keras還是其他流行的庫（如Theano和CNTK）的高級API。 在Keras中更容易創建大規模的深度學習模型，但Keras框架環境配置比其他底層框架要復雜一些。Keras優點：
對於剛剛入門的人來說，Keras是最好的深度學習框架。它是學習和原型化簡單概念的理想選擇，可以理解各種模型和學習過程的本質。 Keras是一個簡潔的API。 可以快速幫助您創建應用程序。 Keras中代碼更加可讀和簡潔。 Keras模型序列化/反序列化API，回調和使用Python生成器的數據流非常成熟。順便說一下TensorFlow和Keras的對比：
PS：Tensorflow處於底層框架：這和MXNet，Theano和PyTorch等框架一樣。包括實現諸如廣義矩陣 - 矩陣乘法和諸如卷積運算的神經網路原語之類的數學運算。
Keras處於高度集成框架。雖然更容易創建模型，但是面對復雜的網路結構時可能不如TensorFlow。
MXNetMXNet是一種高度可擴展的深度學習工具，可用於各種設備。雖然與TensorFlow相比，它似乎沒有被廣泛使用，但MXNet的增長可能會因為成為一個Apache項目而得到提升。
MXNet基本特性：
該框架支持多種語言，如C ++，Python，R，Julia，JavaScript，Scala，Go，甚至Perl。 可以在多個GPU和許多機器上非常有效地並行計算。MXNet優點：
支持多個GPU（具有優化的計算和快速上下文切換） 清晰且易於維護的代碼（Python，R，Scala和其他API） 快速解決問題的能力（對於像我這樣的深度學習新手至關重要）雖然它不像TF那麼受歡迎，但MXNet具有詳細的文檔並且易於使用，能夠在命令式和符號式編程風格之間進行選擇，使其成為初學者和經驗豐富的工程師的理想選擇。
GLUONGluon是一個更好的深度學習框架，可以用來創建復雜的模型。GLUON基本特性：
Gluon的特殊性是具有一個靈活的界面，簡化了原型設計，構建和培訓深度學習模型，而不會犧牲學習速度。 Gluon基於MXNet，提供簡單的API，簡化深度學習模型的創建。 與PyTorch類似，Gluon框架支持使用動態圖表 ，將其與高性能MXNet相結合。從這個角度來看，Gluon看起來像是分布式計算的Keras非常有趣的替代品。GLUON優點：
在Gluon中，您可以使用簡單，清晰和簡潔的代碼定義神經網路。 它將訓練演算法和神經網路模型結合在一起，從而在不犧牲性能的情況下提供開發過程的靈活性。 Gluon可以定義動態的神經網路模型，這意味著它們可以動態構建，使用任何結構，並使用Python的任何本機控制流。 SWIFT當你聽到Swift時，您可能會考慮iOS或MacOS的應用程序開發。但是如果你正在學習深度學習，那麼你一定聽說過Swens for Tensorflow。通過直接與通用編程語言集成，Swift for TensorFlow可以以前所未有的方式表達更強大的演算法。SWIFT基本特性：
可以輕松獲得可微分的自定義數據結構。 下一代API 。通過實踐和研究獲得的新API更易於使用且更強大。 在TensorFlow的基礎上 ，Swift API為您提供對所有底層TensorFlow運算符的直接調用。 基於Jupyter、LLDB或者Swift in Colab的編程工具提高了您的工作效率。SWIFT優點：
如果動態語言不適合您的任務，那麼這將是一個很好的選擇。當你訓練運行了幾個小時，然後你的程序遇到類型錯誤，那麼使用Swift，一種靜態類型語言。您將看到代碼錯誤的地方。 Chainer直到CMU的DyNet和Facebook的PyTorch出現之前，Chainer是動態計算圖或網路的領先神經網路框架，它允許輸入數據長度不一致。chainer基本特性：
Chainer代碼是在Numpy和CuPy庫的基礎之上用純Python編寫的， Chainer是第一個使用動態架構模型的框架。Chainer優點：
通過自己的基準測試，Chainer明顯比其他面向Python的框架更快，TensorFlow是包含MxNet和CNTK的測試組中最慢的。 比TensorFlow更好的GPU和GPU數據中心性能。最近Chainer成為GPU數據中心性能的全球冠軍。 DL4J那些使用Java或Scala的人應該注意DL4J（Deep Learning for Java的簡稱）。DL4J的基本特性：
DL4J中的神經網路訓練通過簇的迭代並行計算。 該過程由Hadoop和Spark架構支持。 使用Java允許您在Android設備的程序開發周期中使用。DL4J優點：
如果您正在尋找一個良好的Java深度學習框架，這會是一個非常好的平台。 ONNXONNX項目誕生於微軟和Facebook，旨在尋找深度學習模型呈現的開放格式。ONNX簡化了在人工智慧的不同工作方式之間傳遞模型的過程。因此ONNX具有各種深度學習框架的優點。
ONNX基本特性：
ONNX使模型能夠在一個框架中進行訓練並轉移到另一個框架中進行推理。ONNX模型目前在Caffe2，Microsoft Cognitive Toolkit，MXNet和PyTorch中得到支持，並且還有許多其他常見框架和庫的連接器。ONNX優點：
對於PyTorch開發人員來說，ONNX是一個好的選擇。但是對於那些喜歡TensorFlow的人來說，Keras等可能好一點。 總結那麼您應該使用哪種深度學習框架？下面是幾點建議：
如果你剛剛開始學習，那麼最好的選擇是Keras 。 出於研究目的，請選擇PyTorch 。 對於生產，您需要關注環境。因此對於Google Cloud，最好的選擇是TensorFlow ，適用於AWS - MXNet和Gluon 。 Android開發人員應該關注D4LJ ，對於iOS來說， Core ML會破壞類似的任務范圍。 最後， ONNX將幫助解決不同框架之間的交互問題。『捌』 機器視覺是用什麼軟體開發的
你可以用VISUAL STUDIO 和 JAVA的開發工具。
目前可以開發機器視覺的相關計算機語言有 C++, C#, JAVA, PYTHON 等, 甚至簡單的PHP和JAVASCRIPT也可以開發相關的功能。
機器視覺需要用到圖像處理庫，有很多免費且開源的第三方圖像庫可以用，如十分著名的OpenCV， 有C++，JAVA, PYTHON的版本， 它包含了很多 現成的函數，可以處理圖像的形狀，顏色，大小，圖像文件保存，找相似圖像，物體邊緣（Canny edge）演算法 。。。
機器視覺的另一個方向是神經網路深度學習演算法。這裡面有代表性的是谷歌的TensorFlow，具有很強大的機器視覺能力。
文字識別方面的代表有谷歌的 Tesseract， 這也是開源項目