NumPy-style broadcasting for R TensorFlow users
广播，就像 Python 的科学计算库 NumPy 所做的那样，涉及动态扩展形状，以便可以将不同大小的数组传递给需要一致性的操作 - 例如逐元素添加或乘法。在 NumPy 中，广播的工作方式是精确指定的；同样的规则适用于 TensorFlow 操作。对于偶尔查阅 Python 代码的任何人，这篇文章都力求解释清楚。
First experiments with TensorFlow mixed-precision training
上周发布的 TensorFlow 2.1 允许进行混合精度训练，利用最新的 NVidia GPU 中提供的 Tensor Cores。在这篇文章中，我们报告了第一批实验结果，并提供了有关这一切的背景信息。
Differential Privacy with TensorFlow
差异隐私保证数据库查询的结果基本上与单个个体在数据中的存在无关。应用于机器学习，我们预计没有任何单个训练示例会以实质性的方式影响训练模型的参数。这篇文章介绍了 TensorFlow Privacy，这是一个基于 TensorFlow 构建的库，可用于从 R 训练差分隐私深度学习模型。
tfhub: R interface to TensorFlow Hub
TensorFlow Hub 是一个用于发布、发现和使用机器学习模型可重用部分的库。模块是 TensorFlow 图的一个独立部分，连同其权重和资产，可以在称为迁移学习的过程中在不同任务中重复使用。
Gaussian Process Regression with tfprobability
继续我们的 TensorFlow Probability (TFP) 应用之旅，在贝叶斯神经网络、汉密尔顿蒙特卡罗和状态空间模型之后，我们在这里展示了高斯过程回归的一个例子。事实上，我们看到的是一个相当“正常”的 Keras 网络，以非常常见的方式定义和训练，TFP 的变分高斯过程层发挥了所有魔力。
Getting started with Keras from R - the 2020 edition
正在寻找从 R 开始深度学习的材料？这篇文章介绍了新的 TensorFlow for R 网站上的有用教程、指南和背景文档。高级用户将找到指向最近 TensorFlow 2.0 文章中提到的新版本 2.0（或即将推出的 2.1！）功能的应用程序的指针。
Variational convnets with tfprobability
在贝叶斯神经网络中，层权重是分布，而不是张量。使用 tfprobability（TensorFlow Probability 的 R 包装器），我们可以构建具有概率层的常规 Keras 模型，从而“免费”获得不确定性估计。在这篇文章中，我们展示了如何定义、训练和从概率卷积神经网络中获得预测。
tfprobability 0.8 on CRAN: Now how can you use it?
作为 r-tensorflow 生态系统的一部分，tfprobability 是 TensorFlow Probability 的 R 包装器，TensorFlow Probability 是 Google 开发的 Python 概率编程框架。我们借 tfprobability 在 CRAN 上被接受的机会进行高级介绍，重点介绍有趣的用例和应用程序。
Innocent unicorns considered harmful? How to experiment with GPT-2 from R
社会是否准备好应对人工生成的信息（假图像、假视频、假文本）带来的挑战？虽然这篇文章不会回答这个问题，但它应该有助于形成对截至撰写本文时（2019 年秋季）假文本所造成的威胁的看法。我们介绍了 gpt2，这是一个 R 包，它包装了 OpenAI 对 GPT-2 的公开实现，GPT-2 是一种语言模型，今年早些时候，它的作品质量空前，令 NLP 社区大吃一惊。
TensorFlow 2.0 is here - what changes for R users?
TensorFlow 2.0 终于在上周发布了。作为 R 用户，我们有两种问题。首先，我的 keras 代码还能运行吗？其次，有什么变化？在这篇文章中，我们将回答这两个问题，然后介绍 r-tensorflow 生态系统中令人兴奋的新发展。
TensorFlow Probability 及其 R 包装器 tfprobability 提供了马尔可夫链蒙特卡罗 (MCMC) 方法，这些方法已在本博客的近期多篇文章中使用。这些文章针对的是已经熟悉该方法和术语本身的用户，而主要对深度学习感兴趣的读者不一定熟悉。在这里，我们试图弥补不足，介绍汉密尔顿蒙特卡罗 (HMC) 以及一些经常听到的伴随它的“流行语”，始终努力记住这一切“为了”什么。
深度学习模型 - 来自 Google AI Research 的 BERT - 在各种自然语言处理 (NLP) 任务中取得了最先进的成果。在本教程中，我们将展示如何使用 Keras 从 R 加载和训练 BERT 模型。
So, how come we can use TensorFlow from R?
您是否曾经想过为什么可以从 R 调用 TensorFlow（通常称为 Python 框架）？如果没有 - 那应该是这样的，因为 R 包 keras 和 tensorflow 旨在使这个过程对用户尽可能透明。但要让它们成为这些有用的精灵，首先必须有人驯服 Python。
在图像分割中，图像的每个像素都被分配一个类别。根据应用，类别可以是不同的细胞类型；或者任务可以是二进制的，如“癌细胞是或否？”。无论应用领域如何，首选的既定神经网络架构都是 U-Net。在这篇文章中，我们展示了如何预处理数据并在 Kaggle Carvana 图像分割数据上训练 U-Net 模型。
Modeling censored data with tfprobability
在这篇文章中，我们使用 tfprobability（TensorFlow Probability 的 R 接口）来建模审查数据。同样，这个阐述的灵感来自 Richard McElreath 的《Statistical Rethinking》中对这个主题的处理。不过，我们建模的不是可爱的猫，而是来自冷酷技术世界的非物质实体：这篇文章探讨了 CRAN 包检查的持续时间，这是 Max Kuhn 的 parsnip 附带的数据集。
TensorFlow feature columns: Transforming your data recipes-style
TensorFlow 特征列提供了有用的功能，可用于预处理分类数据和链接转换，例如分桶或特征交叉。从 R 中，我们以流行的“配方”风格使用它们，创建并随后完善特征规范。在这篇文章中，我们展示了如何使用特征规范释放认知资源并让您专注于真正想要完成的事情。更重要的是，由于其优雅，特征规范代码读起来很好，编写起来也很有趣。
Dynamic linear models with tfprobability
之前的文章介绍了 tfprobability（TensorFlow Probability 的 R 接口），重点介绍了深度神经网络的增强功能（例如，引入贝叶斯不确定性估计）以及使用汉密尔顿蒙特卡罗拟合分层模型。这次，我们将展示如何使用动态线性模型 (DLM) 拟合时间序列，从而得到后验预测以及来自卡尔曼滤波器的平滑和滤波估计。
Adding uncertainty estimates to Keras models with tfprobability
截至目前，还没有主流方法可以从神经网络中获取不确定性估计。只能说，通常情况下，方法往往是贝叶斯主义的，涉及某种方式将先验置于模型权重之上。这也适用于本文中介绍的方法：我们展示了如何使用 tfprobability（TensorFlow Probability 的 R 接口）以优雅且概念上合理的方式将不确定性估计添加到 Keras 模型中。
