TensorFlow
TensorFlow Hub- 人人可享的易用模型
构建机器学习模型不但需要丰富的行业经验，还需要存取海量数据和计算机资源，这对大多数开发者来说都是道不易翻越的屏障。
TensorFlow Recommenders 一个专为搭建推荐系统设计的 TensorFlow 库
TensorFlow Recommenders ，一个为了打造高效可扩展的推荐系统而专门制作的库。
打造负责任的 AI 工具包
随着全世界数十亿人继续使用内核含 AI 技术的产品或服务，现在比以往更迫切需要负责任地使用 AI。
基于图像的机器学习技术将数十亿的电子商务产品分为数千个类别
在本文，我将描述我如何解决通过使用电子商务产品的主图像将其划分为数千个类别的难题。我选择了一种在 GPU 上使用 TensorFlow 的深度学习算法，使用了一个包含数百万图像的标注过的数据集。
2021 Google 开发者大会精彩回顾
一篇带你遍览 2021 Google 开发者大会
利用 TensorFlow Lite Model Maker 打造简单易用的端上模型
近年来，终端上的机器学习被广泛应用在现实的移动应用当中。Lite 的主要关注点之一。
基于 TensorFlow.js 的下一代 Web 应用
TensorFlow.js 介绍，功能演示，新动向以及社区活动。
2021 Google 开发者大会一览，同步 Android、TensorFlow、Web 开发等最新动态
11 月 16 日，2021 Google 开发者大会以 “Develop as One” 为主题在线上举办。
腾讯发布超大预训练系统派大星，聚焦解决 BERT 等超大模型训练时的“GPU 内存墙”问题
经测试结果显示，派大星性能表现优于微软 DeepSpeed，在不到 5000 元价位的个人游戏电脑上，即可训练一个 7 亿参数的 GPT 模型。
谷歌推出面向开发者的全新开源平台 Dev Library
项目或文章一旦被选中，预计将获得更好的知名度和采用率。
突破 PyTorch、TensorFlow 并行瓶颈的开源训练加速框架到底是啥？
随着深度学习模型功能的日益强大，分布式训练任务的通信成本和所需算力也随之急剧增长。
TensorFlow 出现任意代码执行漏洞，团队宣布撤销对 YAML 的支持
TensorFlow 的维护，任重而道远。
阿里巴巴 AI 系统建设的思考
未来 AI 的模型发展方向会从单机训练向大规模分布式训练发展，通过大规模预训练模型 + 小样本的蒸馏的模型开发流程将会成为主流。
快手八卦！突破 TensorFlow、PyTorch 并行瓶颈的开源分布式训练框架来了！
Bagua 突破了这一点，专门针对分布式场景设计了特定的优化算法，实现了算法和系统层面的联合优化，性能较同类提升 60%。
基于 TensorFlow.js 和 MoveNet 的下一代姿态检测
近日，我们非常高兴地发布了最新的姿态检测模型 MoveNet，并在 TensorFlow.js 中推出了新的姿态检测 API。
在 Kubernetes 上扩展 TensorFlow 模型
Kubeflow 为扩展 TensorFlow 模型训练和 Kubernetes 的服务提供了许多有用的工具。
始于 TensorFlow ，终于 PyTorch
为什么这三家公司最终都不约而同地放弃 TensorFlow ，而转向了 PyTorch？
TypeScript 超越 C++ 成第四大语言！无惧中国开源托管平台竞争：GitHub 发布 2020 年开发者报告
GitHub 于周四发布了年度开发者报告，其中一些对全球开发人员和开源社区的见解特别有趣。
TensorFlow 五周年，官方发布“庆祝指南”
在 TensorFlow 五周年之际，谷歌官网发布了一篇文章来为它庆生。
使用 SIMD 和多线程增强 TensorFlow.js WebAssembly 后端
从 TensorFlow.js 2.3.0 版本开始，通过 XNNPACK 利用 SIMD 指令和多线程， Wasm 后端速度提高了 10 倍。
TensorFlow 2.4 Mac 优化版：性能大幅提升，可在最新的 M1 芯片上运行
TensorFlow 用户可以在 搭载苹果新芯片 M1 的 Mac 上使用 TensorFlow 2.4 Mac 优化版和新的 ML Compute（机器学习计算）框架进行加速训练。
代码不止 | 2020 Google 开发者大会亮点回顾
2020 谷歌开发者大会圆满结束！11 月 16 至 21 日，连续 6 天的线上科技盛会，晒出了众多让人眼前一亮的技术干货。
三千字轻松入门 TensorFlow 2
通过使用深度学习实现分类问题的动手演练，如何绘制问题以及如何改善其结果，来了解 TensorFlow 的最新版本。
TensorFlow 篇 | TensorFlow 数据输入的最佳实践
「导语」在训练 TensorFlow 模型时，为了达到最佳的训练性能，需要一个高效的数据输入流程，该流程可以在当前训练步骤完成之前为下一步训练准备好数据。 tf.data API 可以帮助我们构建这个灵活且高效的输入流程，可以很轻松地对输入数据进行各种并行化处理。
如何优化 TensorFlow Lite 运行时内存？
由于资源紧张，在移动和嵌入式设备上运行推理很有挑战性。
跨越重重“障碍”，我从 PyTorch 转换为了 TensorFlow Lite
我最近不得不将深度学习模型从 PyTorch 转换为 TensorFlow Lite。这是一个漫长而复杂的“旅程”，需要跨越很多障碍才能成功。
NVIDIA 开源 NeMo：基于 PyTorch，允许快速创建会话式人工智能模型
允许开发者快速构建、训练和微调会话式人工智能模型。
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型保存及重建
「导语」模型训练完成后一项十分重要的步骤是对模型信息进行持久化保存，以用于后续的再训练以及线上 Serving。保存后的模型文件除了个人使用外，还可以将其分享到 TensorFlow Hub ，从而让他人可以很方便地在该预训练模型的基础上进行再次开发与训练。
TensorFlow 篇 | TensorFlow 2.x 基于 HParams 的超参数调优
「导语」 当我们创建了 Keras 模型并开始进行训练时，一般都会指定一些超参数的值来对训练的过程进行调控，这些超参数的取值会对模型训练的结果产生很大的影响，因此在机器学习工作流程中一项十分重要的步骤就是要确定模型超参数的最佳取值，亦即超参数调优。
TensorFlow 篇 | TensorFlow 2.x 基于 Keras 模型的本地训练与评估
「导语」模型的训练与评估是整个机器学习任务流程的核心环节。只有掌握了正确的训练与评估方法，并灵活使用，才能使我们更加快速地进行实验分析与验证，从而对模型有更加深刻的理解。
