Implementing Neural Networks in TensorFlow (and PyTorch) | by Shreya Rao | Jul, 2024
构建神经网络的分步代码指南欢迎阅读我们的深度学习图解系列的实用实施指南。在本系列中，我们将弥合理论与应用之间的差距，将之前文章中探讨的神经网络概念变为现实。深度学习，图解还记得我们讨论过的用于预测冰的简单神经网络吗？帖子在 TensorFlow（和 PyTorch）中实现神经网络 | 作者 Shreya Rao | 2024 年 7 月首次出现在 AI Quantum Intelligence 上。
Implementing Neural Networks in TensorFlow (and PyTorch)
构建神经网络的分步代码指南继续阅读 Towards Data Science »
Implementing Neural Networks in TensorFlow (and PyTorch) | by Shreya Rao | Jul, 2024
构建神经网络的分步代码指南欢迎来到我们的深度学习图解系列的实用实施指南。在本系列中，我们将弥合理论与应用之间的差距，将之前文章中探讨的神经网络概念变为现实。深度学习，图解还记得我们讨论过的用于预测冰的简单神经网络吗？帖子在 TensorFlow（和 PyTorch）中实现神经网络 | 作者 Shreya Rao | 2024 年 7 月首先出现在 AI Quantum Intelligence 上。
TensorFlow Transform: Ensuring Seamless Data Preparation in Production
利用 TensorFlow Transform 扩展用于生产环境的数据管道照片由 Suzanne D. Williams 在 Unsplash 上拍摄数据预处理是任何机器学习管道的主要步骤之一。Tensorflow Transform 可帮助我们在分布式环境中通过庞大的数据集实现它。在进一步介绍数据转换之前，数据验证是生产管道流程的第一步，这已在我的文章《在生产管道中验证数据：TFX 方式》中介绍过。请阅读本文以更好地理解本文。我已在此演示中使用 Colab，因为配置环境更容易（也更快）。如果您处于探索阶段，我也会推荐 Colab，因为它可以帮助您专注于更重要的事情。ML 管道操作从数据提取和
TensorFlow Filesystem - Access Tensors Differently
通过将 tensorflow 模型挂载到文件系统中来访问该模型的奇怪（但很酷）的方法。
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。
How To Perform Sentiment Analysis Using TensorFlow Extended (TFX)?
情绪分析提供了显着的商业利益，这就是为什么越来越多的公司正在实施它。如果您想知道如何使用 TensorFlow Extended 运行情绪分析，我们可以为您提供一些帮助。我们创建了一个免费的分步演练，介绍如何使用 TFX 和 Vertex AI 管道将 BERT 应用于情绪分析。但在此之前 […]文章 如何使用 TensorFlow Extended (TFX) 执行情绪分析？ DLabs.AI 服务的。
Build an Animal/Object Tracking Camera App with TensorFlow.js
介绍 PetCam：一款运行在旧智能手机上的非侵入式机器学习宠物追踪器。这个项目是我和 Jason Mayes 合作的，是他提出了这个想法。另外，有趣的故事，呃……我的同事 Markku Lepistö 在他自己的 YouTube 节目 Level Up 上同时构建了（几乎）完全相同的项目，您可以在此处看到。我们使用旧智能手机。他使用 Coral 开发板。选择你自己的冒险。当我年轻时，住在新泽西州的家里，我的父母非常严格地要求我晚上记得关上车库。因为如果我不关上车库，就会发生这样的事情：然后第二天早上，我们走出前门，闻到一股强烈的脏尿布味，看到垃圾袋被撕碎并倒在车道上。显然有人度过了一个疯狂的
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。
