使用 torch，几乎没有理由从头开始编写反向传播代码。它的自动微分功能称为 autograd，可跟踪需要计算梯度的操作以及如何计算它们。在这个由四部分组成的系列的第二篇文章中，我们更新了简单的手工编码网络以使用 autograd。
Getting familiar with torch tensors
在这个由四部分组成的迷你系列的第一部分中，我们介绍了您想要了解的有关 torch 张量的主要内容。作为一个说明性示例，我们将从头开始编写一个简单的神经网络。
sparklyr 1.4: Weighted Sampling, Tidyr Verbs, Robust Scaler, RAPIDS, and more
Sparklyr 1.4 现已推出！此版本具有令人愉悦的新功能，例如对 Spark 数据帧的加权采样和 tidyr 动词支持、基于中位数和四分位距标准化数据的稳健缩放器、RAPIDS GPU 加速插件的 spark_connect 接口，以及许多与 dplyr 相关的改进。
Please allow me to introduce myself: Torch for R
今天，我们很高兴推出 torch，这是一个 R 包，可让您从 R 原生使用类似 PyTorch 的功能。无需安装 Python：torch 直接基于 libtorch 构建，libtorch 是一个 C++ 库，提供构建神经网络所必需的张量计算和自动微分功能。
An introduction to weather forecasting with deep learning
几周前，我们展示了如何使用深度学习预测混沌动态系统，并通过从特定领域洞察中得出的自定义约束进行增强。全球天气是一个混沌系统，但其复杂度远高于许多通常用机器和/或深度学习解决的任务。在这篇文章中，我们提供了一个实用的介绍，介绍了一个简单的深度学习大气预报基线。虽然远非具有竞争力，但它可以说明更复杂和计算密集型的模型如何通过位于连续体“黑箱端”的方法来完成这项艰巨的任务。
Deepfake detection challenge from R
几个月前，亚马逊、Facebook、微软和其他贡献者发起了一项挑战，内容是区分真实视频和人工智能生成的（“假”）视频。我们展示了如何从 R 中应对这一挑战。
FNN-VAE for noisy time series forecasting
在这个关于使用假最近邻 (FNN) 损失进行预测的迷你系列的最后一部分中，我们用卷积 VAE 替换了上一篇文章中的 LSTM 自动编码器，从而实现了相同的预测性能，但训练时间明显缩短。此外，我们发现，当底层确定性过程被大量噪声所掩盖时，FNN 正则化会大有帮助。
State-of-the-art NLP models from R
如今，微软、谷歌、Facebook 和 OpenAI 正在分享自然语言处理领域的许多先进模型。然而，关于如何使用 R 中的这些模型的资料却很少。在这篇文章中，我们将展示 R 用户如何访问和受益于这些模型。
Parallelized sampling using exponential variates
如何将看似迭代的无替换加权采样过程转化为高度可并行的过程？事实证明，一种基于指数变量的著名技术正是实现这一点的。
Time series prediction with FNN-LSTM
在最近的一篇文章中，我们展示了如何使用由假最近邻 (FNN) 损失正则化的 LSTM 自动编码器来重建非线性混沌动态系统的吸引子。在这里，我们探讨了同样的技术如何帮助进行预测。与容量相当的“原始 LSTM”相比，FNN-LSTM 可以提高一组非常不同的真实世界数据集的性能，尤其是对于多步预测中的初始步骤。
Deep attractors: Where deep learning meets chaos
在非线性动力学中，当状态空间被认为是多维的，但我们所拥有的数据只是一个单变量时间序列时，人们可能会尝试通过延迟坐标嵌入重建真实空间。然而，先验地不清楚如何选择重建空间的维数和时间滞后。在这篇文章中，我们展示了如何使用自动编码器架构来解决这个问题：只需给出一系列标量的观察结果，自动编码器就会直接学习以足够的维数来表示混沌系统的吸引子。
Easy PixelCNN with tfprobability
PixelCNN 是一种深度学习架构（或架构包），旨在生成高度逼真的图像。要使用它，无需对 arXiv 论文进行逆向工程或搜索参考实现：TensorFlow Probability 及其 R 包装器 tfprobability 现在包含一个 PixelCNN 分布，可用于以可参数化的方式训练直接定义的神经网络。
Hacking deep learning: model inversion attack by example
与其他应用程序相比，深度学习模型似乎不太可能成为隐私攻击的受害者。但是，存在确定实体是否在训练集中使用的方法（称为成员推理的对抗性攻击），并且“模型反转”下包含的技术允许仅根据模型输出（有时是上下文信息）重建原始数据输入。这篇文章展示了模型反转的端到端示例，并探讨了使用 TensorFlow Privacy 的缓解策略。
Towards privacy: Encrypted deep learning with Syft and Keras
深度学习与隐私保护并非不可调和。联合学习支持设备上的分布式模型训练；加密使模型和梯度更新保持私密；差分隐私可防止训练数据泄露。如今，私密且安全的深度学习是一种新兴技术。在这篇文章中，我们介绍了 Syft，这是一个与 PyTorch 和 TensorFlow 集成的开源框架。在一个示例用例中，我们从 Keras 模型中获得私密预测。
A first look at federated learning with TensorFlow
“联合学习”一词是为了描述一种分布式模型训练形式而创造的，其中数据保留在客户端设备上，即永远不会发送到协调服务器。在这篇文章中，我们介绍了核心概念，并使用 R 运行了 TensorFlow Federated 的首次实验。
