神经网络是当前机器学习领域普遍所应用的，例如可利用神经网络进行图像识别、语音识别等，从而将其拓展应用于自动驾驶汽车。它是一种高度并行的信息处理系统，具有很强的自适应学习能力，不依赖于研究对象的数学模型，对被控对象的的系统参数变化及外界干扰有很好的鲁棒性，能处理复杂的多输入、多输出非线性系统，神经网络要解决的基本问题是分类问题。
目前在机器学习领域火爆的开源软件库中，TensorFlow算其中一个，里面有大量的机器学习和深度神经网络方面的研究，毕竟由Google 大脑小组开发出来，其系统的通用性和易用性是无可比拟的，TensorFlow是一个采用数据流图（Data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。（数据流图用“结点”（nodes）和“线”（edges）的有向图来描述数学计算。“节点”一般用来表示施加的数学操作，但也可以表示数据输入（feedin）的起点／输出（push out）的终点，或者是读取／写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入／输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因，一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算）。因此对想快速上手神经网络做一些有趣的图像识别和语音识别的小伙伴可利用TensorFlow进行学习。
神经网络的变种目前有很多，如误差反向传播（Back Propagation，BP）神经网路、概率神经网络、卷积神经网络（Convolutional Neural Network ，CNN－适用于图像识别）、时间递归神经网络（Long short－term Memory Network ，LSTM－适用于语音识别）等。但最简单且原汁原味的神经网络则是多层感知器（Muti－Layer Perception ，MLP），只有理解经典的原版，才能更好的去理解功能更加强大的现代变种。
