深度学习是一种新兴的技术，已经在许多领域中得到广泛的应用，如计算机视觉、自然语言处理、语音识别等。在深度学习中，深度学习框架扮演着重要的角色。Tensorflow是一种广泛使用的深度学习框架，已经成为深度学习的事实标准。Tensorflow2是Tensorflow的最新版本，它在许多方面都有所改进，并且更加易于使用。
1. 章节一：初探AI（《带你学AI与TensorFlow2实战一之深度学习初探》）：（已完成）
TensorFlow是Google推出的深度学习框架，也是使用最广泛的深度学习框架。目前最新的TensorFlow版本是2.1。可能有很多同学想跃跃欲试安装TensorFlow2，不过安装完才发现，TensorFlow2与TensorFlow1的差别非常大，基本上是不兼容的。也就是说，基于TensorFlow1的代码不能直接在TensorFlow2上运行，当然，一种方法是将基于TensorFlow1的代码转换为基于TensorFlow2的代码，尽管Google提供了转换工具，但并不保证能100%转换成功，可能会有一些瑕疵，而且转换完仍然需要进行测试，才能保证原来的代码在TensorFlow2上正确运行，不仅麻烦，而且非常费时费力。所以大多数同学会采用第二种方式：在机器上同时安装TensorFlow1和TensorFlow2。这样以来，运行以前的代码，就切换回TensorFlow1，想尝鲜TensorFlow2，再切换到TensorFlow2。那么具体如何做才能达到我们的目的呢？本文将详细讲解如何通过命令行的方式和PyCharm中安装多个Python环境来运行各个版本TensorFlow程序的方法。
这里先说一下选择使用tensorflow2讲解的原因，在对比一下同类型的一个优势。由于我们这个系列的目标是学习，大家使用的都是win系统的电脑，故而这里选择tensorflow2方便得多。当前最新的版本是2.15
Keras可以看成是一种深度学习框架的高阶接口规范，它帮助用户以更简洁的形式定义和训练深度学习网络。
在上一个专栏【TF2.0深度学习实战——图像分类】中，我分享了各种经典的深度神经网络的搭建和训练过程，比如有：LeNet-5、AlexNet、VGG系列、GoogLeNet、ResNet、DenseNet等。收到了粉丝们的很多好评，表示代码非常详细，理论部分也讲解到位。在这里先感谢你们的持续关注和支持~
文章目录 tensorflow2线性模型 步骤 源代码 tensorflow2线性模型 步骤 使用 tf.keras.datasets 获得数据集并预处理 使用 tf.keras.Model 和 tf.keras.layers 构建模型 构建模型训练流程，使用 tf.keras.losses 计算损失函数，并使用 tf.keras.optimizer 优化模型 构建模型评估流程，使用 tf.keras.metrics 计算评估指标 源代码 # Data import numpy as np import
Anaconda创建虚拟环境报错：An HTTP error occurred when trying to retrieve this URL，报错截图如下。
作者 | 李扬霞 编辑 | 青暮 谷歌Ethical AI人工智能伦理研究小组前负责人玛格丽特·米切尔（Margaret Mitchell）将加入Hugging Face，开发让AI 公平的工具。 8月25日，谷歌Ethical AI人工智能伦理研究小组前负责人玛格丽特·米切尔(Margaret Mitchell)将加入人工智能创业公司Hugging Face，帮助企业开发确保其算法公平的工具。她因与他人合著的一篇重要论文引起争议而在今年2月被谷歌解雇。 1 Hugging Face有何吸引力？ Huggi
DQN算法是一种深度强化学习算法（Deep Reinforcement Learning，DRL），DQN算法是深度学习（Deep Learning）与强化学习（Reinforcement learning）结合的产物，利用深度学习的感知能力与强化学习的决策能力，实现了从感知到动作的端到端（End to End）的革命性算法。DQN算法由谷歌的DeepMind团队在NIPS 2013上首次发表，并在Nature 2015上提出由两个网络组成的Nature DQN。
感谢清华大学自然语言处理实验室对预训练语言模型架构的梳理，我们将沿此脉络前行，探索预训练语言模型的前沿技术，红色框为已介绍的文章。本期的内容是结合Huggingface的Transformers代码，
坊间有传MacOs系统不适合机器(ml)学习和深度(dl)学习，这是板上钉钉的刻板印象，就好像有人说女生不适合编程一样的离谱。现而今，无论是Pytorch框架的MPS模式，还是最新的Tensorflow2框架，都已经可以在M1/M2芯片的Mac系统中毫无桎梏地使用GPU显卡设备，本次我们来分享如何在苹果MacOS系统上安装和配置Tensorflow2框架（CPU/GPU）。
2019年3月23日，CVer推文：重磅！YOLOv3最全复现代码合集（含TensorFlow/PyTorch和Keras等）
不得不相信英伟达总能给我们惊喜，老潘作为一名深度学习从业者以及游戏爱好者，对于这种与AI、GPU、并行计算相关的话题一直都是比较感兴趣。作为深度学习第一大硬件平台的英伟达，我们自然熟悉的不能再熟悉了。
安装TensorFlow2： pip install tensorflow==2.0.0-alpha0 安装TensorFlow1： pip install --upgrade tensorflow-gpu==1.11.0 若要加速，可以考虑升级pip后换成国内清华源： pip install --user --upgrade pip pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple 依次输入以下命令查看是
2、新建conda环境变量，可建多个环境在内部安装多个tensorflow版本，1.x和2.x版本功能差别太大，代码也很大区别
TensorFlow2虽然和TensorFlow1.x有较大差异，不能直接兼容。但实际上还是提供了对TensorFlow1.x的API支持
归一化技术的改进是生成对抗网络(Generative Adversarial Networks, GAN)中众多改进的一种，本文介绍常用于当前GAN中的像素归一化(Pixel normalization，或称为像素规范化)和频谱归一化(Spectral normalization，或称频谱规范化)，在高清图片生成中，这两种归一化技术得到了广泛使用，最后使用Tensorflow2实现像素归一化和频谱归一化。
Tensorflow2之后，训练保存的模型也有所变化，基于Keras接口搭建的网络模型默认保存的模型是h5格式的，而之前的模型格式是pb。Tensorflow2的h5格式的模型转换成tflite格式模型非常方便。本教程就是介绍如何使用Tensorflow2的Keras接口训练分类模型并使用Tensorflow Lite部署到Android设备上。
在Anaconda官网或者在清华 Anaconda 镜像下载。根据自己电脑配置选择32位还是64位，下在最新版本。 我安装的链接：https://pan.baidu.com/s/1P9gTwLRDp9f770rK_D1clQ 提取码：1xqf
目前Python最新release版本为3.9.0，配合TensorFlow2版本使用目前常见的以Python3.6和3.7，大家根据自己的开发平台选择合适的版本下载即可
“问渠那得清如许，为有源头活水来”，通过前沿领域知识的学习，从其他研究领域得到启发，对研究问题的本质有更清晰的认识和理解，是自我提高的不竭源泉。为此，我们特别精选论文阅读笔记，开辟“源头活水”专栏，帮助你广泛而深入的阅读科研文献，敬请关注。
tensorflow是谷歌开源的人工智能库，有最完善的生态支持。是进行人工智能领域开发和科研的必备工具。本文在windows10下，借助anacondaAnaconda安装和使用，安装tensorflow2.0。
两幅图中总结了TensorFlow2的基础知识，以及常见和进阶操作，包含： 基础部分 数据类型 维度变换 数值精度 张量创建 索引和切片 进阶部分 合并和分割 数据统计 张量比较 填充复制 高级操
鉴于tensorflow目前正在更新2.0版本，博主对博客也新增了适用于2.0版本动态度转换方法，更新于 --2019//09//29
1、了解tensorflow及关键社区资源；2、能够自主训练和应用自己想要的模型（主要）；3、开阔前端智能化的思考与认知；
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第二版
门控循环单元(Gated Recurrent Unit，GRU)是 LSTM 的一种变体，将 LSTM 中遗忘门与输入门合二为一为更新门，模型比 LSTM 模型更简单。
本文介绍了图片分类在有害昆虫识别方向中的应用，来源于代码医生工作室对外输出的分析报告。
本篇概览 本篇记录了自己在Ubuntu 16.04.7 LTS系统上搭建TensorFlow2开发环境的过程，用于将来重装时的参考 硬件是2018年购买的惠普暗隐精灵3代，显卡GTX1060，已经安装了Ubuntu16 LTS桌面版 执行本篇操作前需要安装Nvidia的驱动，详情请参考《Ubuntu16安装Nvidia驱动(GTX1060显卡)》 查看驱动信息，如下图，可见CUDA版本是10.1 版本匹配 去tensorflow官网查看版本匹配关系，地址：https://tensorflow.googl
Tensorflow官方在2018年宣布，正式发布支持树莓派版本的Tensorflow，编者开始直接用：
Suaro希望使用OpenCV来实现模型加载与推演，但是没有成功，因此开了issue寻求我的帮助。
RNN 面临的较大问题是无法解决长跨度依赖问题，即后面节点相对于跨度很大的前面时间节点的信息感知能力太弱。如下图中的两句话：左上角的句子中 sky 可以由较短跨度的词预测出来，而右下角句子中的 French 与较长跨度之前的 France 有关系，即长跨度依赖，比较难预测。
我们可以直接调用官方的tensorflow的bert模型来使用bert，接下来，我们使用output_layer = model.get_sequence_output()来获得最后一层的特征，然后接下来在添加bilstm层，
《谷歌终于开源BERT代码：3 亿参数量，机器之心全面解读》，上周推送的这篇文章，全面解读基于TensorFlow实现的BERT代码。现在，PyTorch用户的福利来了：一个名为Hugging Face的团队近日公开了BERT模型的谷歌官方TensorFlow库的op-for-op PyTorch重新实现【点击阅读原文直接访问】：
这篇文章展示了使用TensorFlow 2.0的BERT [1]嵌入的简单用法。由于TensorFlow 2.0最近已发布，该模块旨在使用基于高级Keras API的简单易用的模型。在一本很长的NoteBook中描述了BERT的先前用法，该NoteBook实现了电影评论预测。在这篇文章中，将看到一个使用Keras和最新的TensorFlow和TensorFlow Hub模块的简单BERT嵌入生成器。所有代码都可以在Google Colab上找到。
项目地址：https://github.com/JuliusKunze/jaxnet
谷歌的最强NLP模型BERT发布以来，一直非常受关注，上周开源的官方TensorFlow实现在GitHub上已经收获了近6000星。
TFX即TensorFlow Extended是官方提供的部署方案（https://www.tensorflow.org/tfx）
上周，谷歌最强NLP模型BERT开源了官方TensorFlow代码和预训练模型，引起大量关注。
BERT（Bidirectional Encoder Representations from Transformers）是Google提出的一种用于自然语言处理（NLP）的预训练模型。BERT通过双向训练Transformer，能够捕捉到文本中词语的上下文信息，是NLP领域的一个里程碑。
Github上刚刚开源了一个Google BERT的PyTorch实现版本，同时包含可加载Google BERT预训练模型的脚本，感兴趣的同学可以关注：
bert的大名如雷贯耳，无论在比赛，还是实际上的应用早已普及开来。想到十方第一次跑bert模型用的框架还是paddlepaddle，那时候用自己的训练集跑bert还是比较痛苦的，不仅要看很多配置文件，预处理代码，甚至报错了都不知道怎么回事，当时十方用的是bert双塔做文本向量的语义召回。如今tf都已经更新到了2.4了，tensorflow-hub的出现更是降低了使用预训练模型的门槛，接下来带大家看下，如何花十分钟时间快速构建bert双塔召回模型。
PT-BERT 项目地址：https://github.com/huggingface/pytorch-pretrained-BERT
datawhale8月组队学习 -基于transformers的自然语言处理(NLP)入门
本文介绍最新版本的TensorFlow开发与应用，目前最新版本是TensorFlow2.5.0；首先简单介绍一下TensorFlow，然后安装TensorFlow2，最后使用TensorFlow开发。
注意：从2.3.0版本开始，转换脚本现在已成为 transformers CLI(transformers-cli)的一部分,在任何transformers)=2.3.0的都可用。以下文档反映了transformers-cli convert命令格式。
我想很多菜鸟和我一样，开始零基础学习机器学习，没办法火啊，为了钱大家都是冲呀。估计很多人开始学习ML，就一头雾水，完全不知道在说什么。因为学习模式和学习其他语言完全不同，我们知道学习其他语言的时候，第一个程序就是打印“Hello World”。
当然，实现起来是有一些tricky的，而且tokenizer并不是真正的bert的tokenizer，中文大部分不会有太大问题，英文的话实际上因为考虑BPE，所以肯定是不行的。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
