NRL Scientists Deliver Quantum Algorithm to Develop New Materials and Chemistry
美国海军研究实验室 (NRL) 的科学家在最近的一篇《物理评论研究》文章中发表了级联变分量子本征求解器 (CVQE) 算法，有望成为研究电子系统物理特性的强大工具。
NRL Scientists Deliver Quantum Algorithm to Develop New Materials and Chemistry
美国海军研究实验室 (NRL) 的科学家在最近的一篇《物理评论研究》文章中发表了级联变分量子本征求解器 (CVQE) 算法，有望成为研究电子系统物理特性的强大工具。
Infinite surprise - the iridescent personality of Kullback-Leibler divergence
Kullback-Leibler 散度不仅用于训练变分自动编码器或贝叶斯网络（而且不仅仅是一个难以发音的东西）。它是信息论中的一个基本概念，被广泛应用于各种应用中。最有趣的是，它并不总是与约束、正则化或压缩有关。恰恰相反，有时它与新颖性、发现和惊喜有关。
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。
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。
Representation learning with MMD-VAE
与 GAN 一样，变分自动编码器 (VAE) 通常用于生成图像。然而，VAE 增加了一个额外的承诺：即对底层潜在空间进行建模。在这里，我们首先看一个最大化证据下限的典型实现。然后，我们将其与 Info-VAE（信息最大化 VAE）系列中较新的竞争对手之一 MMD-VAE 进行比较。
