TensorFlow 可以帮助解决哪些类型的问题？
What are the types of problems TensorFlow can help solve?
TensorFlow 主页将其用途描述为 'a software library for numerical computation'。查看示例问题，看起来问题总是表述如下：
- 输入
- 模型参数
- 期望的输出
给定 1) 和 3) 的一些训练数据，可以计算 2)。
我知道如何使用它来创建机器人、自动驾驶汽车、图像class生成器等
考虑到 'numerical computation' 的广泛定义，我是否遗漏了 class 这可以用于解决的其他问题？这可以用于，比方说，更多 class 逻辑数值计算，例如飞机周围的气流或结构在压力下的变形吗？您是否有任何示例说明必须如何制定这些 classical 问题才能符合上述表格？
A nice discussion关于人工神经网络可以做什么，我们的大脑是一个神经网络这一事实可能意味着最终人工神经网络将能够完成相同的任务。
今天使用的人工神经网络的更多示例：music creation, image based location, page rank, google voice, stock trade predictions, nasa star classifiaction, traffic management
一些我知道但没有很好参考的领域：
光量子力学测试装置生成器
医学诊断，reference只谈安全
Sharp LogiCook 微波炉，wiki, nasa mention
我认为有数以百万计的“问题”可以用 ANN 解决，决定数据表示（输入、输出）对其中一些来说将是一个挑战。我一直在思考的一些有用和无用的例子：
- 家用恒温器可以了解您对特定天气类型的意愿。
- 面包店生产预测
- 识别棋盘上的棋子并绘制它们的位置
- 个人 activity 猜测器并打开适当的设备。
- 根据鼠标移动识别人物
只要有正确的数据和网络，这些示例就会起作用。
爸爸家里有一台控制供暖系统的电脑，我根据他 10 年的供暖数据（室外温度、室内温度、湿度等）训练了一个网络。不幸的是我不允许连接它。
我的阿姨和叔叔有一家面包店，根据 6 年的销售数据，我训练了一个网络来预测他们应该制作多少面包和面包。它向我展示了正确输入的重要性。首先我使用了一年中的某一天，但是当我切换到星期几时，我发现准确度提高了 15%。
目前我正在开发一个网络，它将检测给定图像中的 go board 并映射所有 361 个位置，告诉我是否存在黑色、白色或没有石头。
两个示例向我展示了单个神经元中可以存储多少信息以及表示数据的不同方式：
Image example, neuron example（不幸的是，你必须自己训练这两个例子，所以给他们一点时间。）
关于飞机周围的气流示例。
我 none 对气流计算一无所知，我的尝试是一个非常大的 3D 输入层，您可以在其中“绘制”飞机以及气流的方向和速度。
它可能有效，但需要大量的计算能力，对这个特定主题了解更多的人可能知道一种更抽象的数据表示方式，从而使网络更易于管理。
This nasa paper 讨论了用于计算机翼周围气流的神经网络。不幸的是我不明白他们使用什么样的输入，也许你更清楚。
TensorFlow 主页将其用途描述为 'a software library for numerical computation'。查看示例问题，看起来问题总是表述如下：
- 输入
- 模型参数
- 期望的输出
给定 1) 和 3) 的一些训练数据，可以计算 2)。
我知道如何使用它来创建机器人、自动驾驶汽车、图像class生成器等
考虑到 'numerical computation' 的广泛定义，我是否遗漏了 class 这可以用于解决的其他问题？这可以用于，比方说，更多 class 逻辑数值计算，例如飞机周围的气流或结构在压力下的变形吗？您是否有任何示例说明必须如何制定这些 classical 问题才能符合上述表格？
A nice discussion关于人工神经网络可以做什么，我们的大脑是一个神经网络这一事实可能意味着最终人工神经网络将能够完成相同的任务。
今天使用的人工神经网络的更多示例：music creation, image based location, page rank, google voice, stock trade predictions, nasa star classifiaction, traffic management
一些我知道但没有很好参考的领域：
光量子力学测试装置生成器
医学诊断，reference只谈安全
Sharp LogiCook 微波炉，wiki, nasa mention
我认为有数以百万计的“问题”可以用 ANN 解决，决定数据表示（输入、输出）对其中一些来说将是一个挑战。我一直在思考的一些有用和无用的例子：
- 家用恒温器可以了解您对特定天气类型的意愿。
- 面包店生产预测
- 识别棋盘上的棋子并绘制它们的位置
- 个人 activity 猜测器并打开适当的设备。
- 根据鼠标移动识别人物
只要有正确的数据和网络，这些示例就会起作用。 爸爸家里有一台控制供暖系统的电脑，我根据他 10 年的供暖数据（室外温度、室内温度、湿度等）训练了一个网络。不幸的是我不允许连接它。
我的阿姨和叔叔有一家面包店，根据 6 年的销售数据，我训练了一个网络来预测他们应该制作多少面包和面包。它向我展示了正确输入的重要性。首先我使用了一年中的某一天，但是当我切换到星期几时，我发现准确度提高了 15%。
目前我正在开发一个网络，它将检测给定图像中的 go board 并映射所有 361 个位置，告诉我是否存在黑色、白色或没有石头。
两个示例向我展示了单个神经元中可以存储多少信息以及表示数据的不同方式： Image example, neuron example（不幸的是，你必须自己训练这两个例子，所以给他们一点时间。）
关于飞机周围的气流示例。
我 none 对气流计算一无所知，我的尝试是一个非常大的 3D 输入层，您可以在其中“绘制”飞机以及气流的方向和速度。
它可能有效，但需要大量的计算能力，对这个特定主题了解更多的人可能知道一种更抽象的数据表示方式，从而使网络更易于管理。
This nasa paper 讨论了用于计算机翼周围气流的神经网络。不幸的是我不明白他们使用什么样的输入，也许你更清楚。