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。
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。
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。
François Chollet: Keras, Deep Learning, and the Progress of AI
François Chollet 是 Keras 的创建者，Keras 是一个开源深度学习库，旨在实现快速、用户友好的深度神经网络实验。它充当多个深度学习库的接口，其中最受欢迎的是 TensorFlow，不久前它被集成到 TensorFlow 主代码库中。除了创建一个非常有用且受欢迎的库之外，François 还是谷歌的世界级人工智能研究员和软件工程师，并且绝对是人工智能领域直言不讳的人物，尤其是在围绕人工智能未来的思想领域。本次对话是人工智能播客的一部分。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、Fa
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。
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。
Auto-Keras: Tuning-free deep learning from R
在深度学习中，架构设计和超参数调整有时会带来巨大挑战。使用 Auto-Keras，这些都不是必需的：我们启动搜索过程并提取性能最佳的模型。这篇文章介绍了 Auto-Keras 在著名的 MNIST 数据集上的实际应用。
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。
Image-to-image translation with pix2pix
条件 GAN (cGAN) 可用于根据另一种对象生成一种类型的对象 - 例如，基于照片的地图或基于黑白的彩色视频。在这里，我们展示了如何使用 Keras 和 Eager Execution 实现 pix2pix 方法。
Attention-based Image Captioning with Keras
图像字幕是视觉和语言交叉领域的一项具有挑战性的任务。在这里，我们演示了如何使用 Keras 和 Eage Execution 来整合注意力机制，使网络能够专注于与当前文本生成状态相关的图像特征。
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。
Attention-based Neural Machine Translation with Keras
随着序列到序列预测任务变得越来越复杂，注意力机制已被证明是有帮助的。一个突出的例子是神经机器翻译。根据最近的 Google Colaboratory 笔记本，我们展示了如何在 R 中实现注意力。
