我们很高兴推出 Keras R 包的下一个版本 {keras3}。 {keras3} 是对 {keras} 的彻底重建，保留了原版广受欢迎的功能，同时根据过去几年收集的宝贵见解改进和简化了 API。
LLaMA in R with Keras and TensorFlow
使用 TensorFlow 和 Keras 在 R 中实现和演示大型语言模型 LLaMA。
Keras Loss Functions Used in Machine Learning: An In-depth Guide
为什么重要：在本文中，让我们了解 Keras 损失函数、它如何影响深度学习架构及其在现实生活中的应用。
这篇博客已经有一段时间没有介绍 Keras for R 的内容了，所以您可能认为该项目已经停产。 不是的！ 事实上，Keras for R 比以往任何时候都更好，最近的两个版本增加了强大的功能，大大减轻了以前繁琐的任务。 这篇文章提供了高层次的概述。 未来的文章将更详细地介绍一些最有用的新功能，并深入研究使前者成为可能的强大的低级增强功能。
Towards privacy: Encrypted deep learning with Syft and Keras
深度学习与隐私保护并非不可调和。联合学习支持设备上的分布式模型训练；加密使模型和梯度更新保持私密；差分隐私可防止训练数据泄露。如今，私密且安全的深度学习是一种新兴技术。在这篇文章中，我们介绍了 Syft，这是一个与 PyTorch 和 TensorFlow 集成的开源框架。在一个示例用例中，我们从 Keras 模型中获得私密预测。
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。
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
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。
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。
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。
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。
Predicting Sunspot Frequency with Keras
在这篇文章中，我们将研究如何使用基础 R 附带的太阳黑子数据集进行时间序列预测。太阳黑子是太阳上的黑点，与较低的温度有关。我们的文章将重点介绍如何将深度学习应用于时间序列预测，以及如何在此领域正确应用交叉验证。
