Rajat Monga 是 Google 的工程总监，领导 TensorFlow 团队。如果您想获取有关此播客的更多信息，请访问 https://lexfridman.com/ai 或在 Twitter、LinkedIn、Facebook、Medium 或 YouTube 上与 @lexfridman 联系，您可以在那里观看这些对话的视频版本。
Hierarchical partial pooling, continued: Varying slopes models with TensorFlow Probability
这篇文章以我们最近介绍的 tfprobability（TensorFlow Probability 的 R 包装器）进行多级建模为基础。我们展示了如何汇集平均值（“截距”）和关系（“斜率”），从而使模型能够以更广泛的方式从数据中学习。同样，我们使用了 Richard McElreath 的“Statistical Rethinking”中的一个例子；术语以及我们呈现这个主题的方式很大程度上归功于这本书。
Chris Lattner: Compilers, LLVM, Swift, TPU, and ML Accelerators
Chris Lattner 是 Google 的高级总监，负责多个项目，包括 CPU、GPU、TensorFlow 的 TPU 加速器、TensorFlow 的 Swift，以及幕后进行的各种机器学习编译器魔法。他是世界上编译器技术的顶级专家之一，这意味着他深刻理解硬件和软件如何结合在一起创建高效代码的复杂性。他创建了 LLVM 编译器基础架构项目和 CLang 编译器。他领导了 Apple 的主要工程工作，包括创建 Swift 编程语言。他还曾在特斯拉短暂担任自动驾驶软件副总裁，当时特斯拉从头开始为自动驾驶仪构建内部软件基础架构。如果您想了解有关此播客的更多信息，请访问 https://le
Tadpoles on TensorFlow: Hierarchical partial pooling with tfprobability
这篇文章首次介绍了使用 tfprobability（TensorFlow Probability (TFP) 的 R 接口）进行 MCMC 建模。我们的示例是一个描述蝌蚪死亡率的多级模型，读者可能从 Richard McElreath 的精彩作品“统计反思”中了解到这一点。
Experimenting with autoregressive flows in TensorFlow Probability
继最近对 TensorFlow Probability (TFP) 中的双射函数的介绍之后，这篇文章将自回归引入了讨论。通过新的 R 包 tfprobability 使用 TFP，我们研究了掩蔽自回归流 (MAF) 的实现，并将其用于两个不同的数据集。
Getting into the flow: Bijectors in TensorFlow Probability
规范化流是无监督深度学习中鲜为人知但却令人着迷且成功的架构之一。在这篇文章中，我们使用 tfprobability（TensorFlow Probability 的 R 包装器）对流程进行了基本介绍。后续文章将在此基础上进行构建，在更复杂的数据上使用更复杂的流程。
Audio classification with Keras: Looking closer at the non-deep learning parts
有时，深度学习被视为（并受到欢迎）避免繁琐的数据预处理的一种方式。然而，在某些情况下，各种预处理不仅有助于改善预测，而且本身就是一个引人入胜的话题。音频分类就是这样一个例子。在这篇文章中，我们在此博客的上一篇文章的基础上进行构建，这次重点介绍一些非深度学习背景。然后，我们将所解释的概念链接到近期发布的更新的 TensorFlow 代码。
Discrete Representation Learning with VQ-VAE and TensorFlow Probability
在考虑变分自动编码器 (VAE) 时，我们通常会将先验描绘为各向同性的高斯。但这绝不是必需的。van den Oord 等人的“神经离散表示学习”中描述的矢量量化变分自动编码器 (VQ-VAE) 具有离散潜在空间，可以学习令人印象深刻的简洁潜在表示。在这篇文章中，我们结合了 Keras、TensorFlow 和 TensorFlow Probability 的元素，看看我们是否可以生成与 Kuzushiji-MNIST 中的字母相似的令人信服的字母。
Getting started with TensorFlow Probability from R
TensorFlow Probability 提供了广泛的功能，从概率网络层上的分布到概率推理。它与核心 TensorFlow 和 (TensorFlow) Keras 无缝协作。在这篇文章中，我们简要介绍了分布层，然后使用它在变分自动编码器中采样和计算概率。
More flexible models with TensorFlow eager execution and Keras
生成对抗网络、神经风格迁移和自然语言处理中无处不在的注意力机制等高级应用过去很难用 Keras 声明式编码范式实现。现在，随着 TensorFlow Eage Execution 的出现，情况发生了变化。这篇文章探讨了如何在 R 中使用 Eage Execution。
Neural style transfer with eager execution and Keras
继续我们的关于将 Keras 与 TensorFlow Eager Execution 相结合的系列文章，我们展示了如何以简单的方式实现神经风格转换。基于这个易于适应的示例，您可以轻松地对自己的图像执行风格转换。
Getting started with deep learning in R
许多领域都受益于深度学习的使用，借助 R keras、tensorflow 和相关软件包，您现在可以轻松地在 R 中进行最先进的深度学习。在这篇文章中，我们想提供一些关于如何最好地开始的指导。
Generating images with Keras and TensorFlow eager execution
生成对抗网络 (GAN) 是一种流行的深度学习方法，用于生成新实体（通常但并非总是图像）。我们展示了如何使用 Keras 和 TensorFlow Eager Execution 对它们进行编码。
tfruns: Tools for TensorFlow Training Runs
tfruns 包提供了一套工具，用于跟踪、可视化和管理来自 R 的 TensorFlow 训练运行和实验。
tfestimators 包是 TensorFlow Estimators 的 R 接口，TensorFlow Estimators 是一个高级 API，提供许多不同模型类型的实现，包括线性模型和深度神经网络。
Getting the GPU usage of NVIDIA cards with the Linux dstat tool
dstat 是一个很棒的小工具，它允许您获取 Linux 机器的资源统计信息。它具有模块化架构，允许您开发其他插件，并且易于使用。最近，我正在分析使用 Keras 和 Tensorflow 开发的深度学习管道，我需要有关 […] 的详细统计数据
Laurence Baker，M。KateBundorf和Daniel Kessler的最新出版物：1）“医院/医师整合对医院选择的影响”：我们发现，医院对医生的所有权大大增加了医生的患者选择所有拥有者医院的可能性。我们还发现，录取的医师的所有权具有很大的[…]最初出现在偶然的经济学家上。
