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。
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
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。
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。
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
