How to Unit Test Deep Learning: Tests in TensorFlow, mocking and test coverage
使用 tf.test() 探索 TensorFlow 代码中的单元测试、模拟和修补对象、代码覆盖率以及机器学习应用程序中测试用例的不同示例
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。
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。
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。
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。
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。
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。
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。
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。
