《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》（《机器学习实用指南》），这本书最大的特色从理论上讲就是言简意赅，全书基本上没有太多复杂的数学公式推导。这一点正是国内很多高校教材所欠缺的。这本超赞的机器学习实用指南终于正式出版了第二版：《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems 2nd Edit[……]
标签： Tensorflow
吴恩达新课上线：TensorFlow 移动和 Web 端机器学习
大家都很熟悉吴恩达了。他开设的 Coursera 机器学习课程可以说是很多初学者的「白月光」。近日，他创始的 deeplearning.ai 在 Coursera 上另外开设了一门课程 ——《TensorFlow: Data and Deployment Specialization》，主要介绍使用 Tensorflow.js、TensorFlow Lite、TensorFlow Hub 等工具进行数据分析的方法。该专项课程已于今日开放注册。吴恩达对课程进行了转推。
TensorFlow 是深度学习中最著名的框架之一，绝大多数人都已经掌握了基本的使用方法。如果要更上一层楼，选择本课程无疑[……]
Joshua Gordon《TensorFlow 2.0讲解》PPT
Tensorflow2.0 对于新手来说更为易用，而对于老手来说，功能更为强大，Josh Gordon 为我们介绍了TensorFlow2.0 的一些新的特征与使用技巧。
在构建模型方面，针对不同的使用人群，TensorFlow2.0 提供了不同层面的 API，针对刚接触 TensorFlow 的新手，提供了Sequential API, 针对工程师，开放了 FunctionalAPI 与 build-in 层，针对有更高需求的工程师，开放了 FunctionalAPI 与可定制的层，评估指标，损失函数等，而针对科研工作者，开放了 Subclassing，可以定制一切函数。
在训[……]
神经架构搜索研究指南 -5
- 系列文章：《神经架构搜索研究指南 -1》
- 系列文章：《神经架构搜索研究指南 -2》
- 系列文章：《神经架构搜索研究指南 -3》
- 系列文章：《神经架构搜索研究指南 -4》
9. SNAS：随机神经结构搜索
（ICLR 2019：SNAS: Stochastic Neural Architecture Search）
这篇论文的作者提出了随机神经结构搜索 (SNAS)。SNAS 是 NAS 的端到端解决方案，在同一轮的反向传播中同时训练神经算子参数和体系结构分布参数。在此过程中，它维护了 NAS 流程的完整性和可微性。
作者将 NAS 重新表述为单元中搜[……]
神经架构搜索研究指南 -4
- 系列文章：《神经架构搜索研究指南 -1》
- 系列文章：《神经架构搜索研究指南 -2》
- 系列文章：《神经架构搜索研究指南 -3》
7. Auto-Keras：高效的神经结构搜索系统
（2018：Auto-Keras: An Efficient Neural Architecture Search System）
本文提出了一个框架，使用贝叶斯优化引导网络形变，以提升 NAS 的效率。基于他们的方法，作者构建了一个名为 Auto-Keras 的开源 AutoML 系统。
该方法中，网络的主要组成模块，是在贝叶斯优化算法的指导下，通过神经结构的形变来寻找搜索空间[……]
神经架构搜索研究指南 -3
- 系列文章：《神经架构搜索研究指南 -1》
- 系列文章：《神经架构搜索研究指南 -2》
5. 高效结构搜索的层次化表示
（ICLR 2018：Hierarchical Representations for Efficient Architecture Search）
该网络中提出的算法在 CIFAR-10 上实现了 3.6% 的 top-1 误差，在 ImageNet 上实现了 20.3% 的 top-1 误差。作者提出了一种描述神经网络结构的层次化表示方法，证明了用简单的随机搜索可以得到具有竞争力的图像分类网络结构，并提出了一种可扩展的进化搜索方法变体。[……]
神经架构搜索研究指南 -2
系列文章：《神经架构搜索研究指南 -1》
3. 可伸缩图像识别领域的可转移架构学习
（2017：Learning Transferable Architectures for Scalable Image Recognition）
在本文中，作者在一个小数据集上搜索结构上的一个组成模块，然后将该模块再转换到一个大数据集上。这是因为直接使用大型数据集将非常麻烦和耗时。
作者在 CIFAR-10 数据集上寻找最佳卷积层，并将其应用于 ImageNet 数据集。具体做法是将该层的更多副本堆叠在一起来实现的。每一层都有自己的参数，用于设计卷积架构。作者将这种体系结构称为 NASNet[……]
神经架构搜索研究指南 -1
从训练到用不同的参数做实验，设计神经网络的过程是劳力密集型的，非常具有挑战性，而且常常很麻烦。但是想象一下，如果能够将这个过程实现自动化呢？将这种想象转变为现实，就是本指南的核心内容。
我们将探索一系列的研究论文，这些论文试图解决具有挑战性的自动化神经网络设计任务。在本指南中，我们假设读者尝试过使用 Keras 或 TensorFlow 等框架从头开始设计神经网络。
1. 基于强化学习的神经结构搜索
（2016：Neural Architecture Search with Reinforcement Learning）
本文利用递归神经网络 (RNN) 生成神经网络的模型描述[……]
TensorFlow 2.0 正式版发布
此前，Google 在 TensorFlow 开发者大会 (TensorFlow Dev Summit) 上发布了 TensorFlow 2.0 的 Alpha 版本。经过近 7 个月的努力，今天，TensorFlow 2.0 正式版现已推出！TensorFlow 2.0 由社区推动，社区的声音让 Google 了解到开发者需求的是一个灵活、强大且易于使用的平台，并且支持部署 TensorFlow 2.0 到任何平台上。TensorFlow 2.0 为开发者、企业与研究人员提供了一个全面的生态系统，以推动最先进的机器学习研究与构建大规模的机器学习应用。—— 同时，跨象乘云™ 也提供了 Tens[……]
TensorFlow 2.0 实战教程
这是一份来自 IJCAI 2019上的一个 TensorFlow 2.0 实操教程，这个教程包含 117 页 PPT，由 Google 资深开发人员 Josh Gordon 讲授，提供了最新 TensorFlow 2.0 的实操介绍，重点介绍了最佳实践。读者将学习编写几种类型的神经网络（Dense, Convolutional, 和 Recurrent），以及生成对抗网络（Generative Adversarial Network）。
TensorFlow 是一个基于数据流编程（Dataflow Programming）的符号数学系统，被广泛应用于各类机器学习（Machine[……]