【倒计时 9 天，点击“阅读原文”购票】。本次大会特设智能驾驶论坛，由新智元【智驾周刊】特约编辑小猴机器人主持。滴滴出行联合创始人兼CTO 张博、百度首席架构师 James Peng、地平线机器人创始人 余凯、中国指挥与控制学会副秘书长 刘玉超、英国克兰菲尔德大学驾驶员认知与自动驾驶实验室主任 曹东璞博士、中国汽车工程研究院副院长 谢飞等重量级嘉宾将发表演讲，就当前国内外智能驾驶研究的前沿技术和发展趋势，以及潜在的突破点发表真知灼见。想了解更多关于智能驾驶行业与技术进展，点击文末阅读原文马上参会！

　　本文将介绍当前 TensorFlow 上的所有抽象模型，描述每个模型的使用情况以及简单的代码样例。详细的示例请访问这里：https://github.com/c0cky/TensorFlow-in-a-Nutshell

　　递归神经网络（RNN）

　　使用情况：语言建模、机器翻译、词汇嵌入、文本处理

　　自从长短时记忆（LSTM）和门控递归单元（GRU）提出以后，递归神经网络（RNN）相较其他自然语言处理模型有了飞跃式的发展。RNN 的输入可以是表征字符的向量，可以经过训练在训练数据集的基础上生成新的句子。RNN 模型的好处在于保留句子中的情景，能够推演“cat sat on mat”的意思是猫在垫子上面。TensorFlow 出现以后，编写这类网络变得愈发简单。下面是一个简单样例：

　　卷积神经网络（CNN）

　　使用情况：图像处理、人脸识别、计算机视觉

　　卷积神经网络（CNN）特别之处在于，设计这种模型时它的输入就已经被定为图像。CNN 可以通过一个小窗口对一幅图像进行卷积处理（滑动），小窗口被称为核，这个小窗口从图像上滑过就生成了一个卷积特征。

　　生成卷积特征可以用于检测边缘，进而让网络能够描绘图像中的物体。

　　生成这幅图的卷积特征如下

　　下面是一个从 NMIST 数据集中识别手写体的代码样例：

　　前馈神经网络

　　使用情况：分类和回归

　　前馈神经网络在每一层都有感知机，会将输入的信息传递到下一层，网络的最后一层是输出。在给定的一层，节点之间不会直接相连。没有原始输入也没有输出的层就是隐藏层。

　　前馈神经网络的目标与使用反向传播的其他监督神经网络很类似，让输入有理想的、经过训练的输出。前馈神经网络是解决分类和回归问题的一些最简单有效的神经网络。下面我们将展示创造前馈神经网络识别手写数字有多么简单：

　　线性模型

　　使用情况：分类和回归

　　线性模型输入 X 值后，生成用于分类和回归 Y 值最适合的一条线。例如你手头有附近一组房屋的大小和价格，你就能用线性模型预测给定大小的房屋的价格。

　　需要指出的是，线性模型可以接受多个 X 特征输入。例如上面的房屋例子中，我们能根据房屋大小生成一个线性模型，也可以根据房间数量或者卫生间数量预测一栋房子的价格，分别是f（大小），f（房间数量），f（卫生间数量）。

　　支持向量机（SVM）

　　使用情况：当前仅用于二元分类