由谷歌Brain的研究人员创建的TensorFlow是机器学习和数据科学领域最大的开源数据库之一。它是一个端到端的平台，适用于初学者和有经验的数据科学家。TensorFlow库包括工具、预训练模型、机器学习指南，以及开放数据集的语料库。为了帮助你找到所需的

介绍利用DNA或其他生物序列进行深度学习在过去几年里取得了很大进展。大多数从DNA序列中学习的模型使用one-hot编码方案，该方案使用四个通道来表示四个可能的核苷酸A、C、G和T。任何此类模型中的第一步是以one-hot方案对输入DNA序列进行编码，该方

机器学习中最有趣的部分是利用你花时间训练的模型。虽然有很多关于如何训练模型的资源，但我们经常发现很难弄清楚如何部署使用训练模型进行推理的系统。TFServe是一个框架，旨在通过HTTP服务器以简单方便的方式为tensorflow模型提供服务。TFServe

机器学习就是数据的数量和质量。所述数据通常以各种来源提供：。输入函数返回一组特征和标签。特征是特征名称和数值数组的字典。标签是一系列值。需要进行一些管理，例如对数据进行分组并分批返回。让我们从简单的选项开始吧。如果您将数据放在一个文件中，您可以将其完全读入

Tensorflow是谷歌广受欢迎的机器学习库。它于2015年推出，截至撰写本文时，它是世界上最受欢迎的机器学习库。使用pip安装Tensorflow非常简单直接。但是，tensorflow的官方最佳实践指南说，如果使用CPU，最好从源代码构建Tensor

Tensorflow Serving是将机器学习模型引入生产的最明显和最好的解决方案。带来的好处包括:. 但是，因为它是新的，所以缺少了很多东西，比如文档和对其他流行库的文档支持。Keras与服务于Tensorflow完全兼容，唯一的挑战是保存模型，使服务

Google开源Swift for TensorFlow无疑是对热衷于喜爱Swift编程语言的开发者的一种特殊福利。这也不由得让我更加钦佩Swift之父Chris Lattner此举的伟大。此前，Lattner在苹果领导开发的Swift不仅速度快，可用性高

在这个项目中，我将在TensorFlow中构建名为seq2seq model or encoder-decoder model的语言翻译模型。该模型的目标是将英语句子翻译成法语句子。我要展示的详细步骤，他们将回答诸如如何定义编码器模型，如何定义解码器模型，

上一篇文章，我们介绍了TensorFlow的基础安装教学，本篇文章主要介绍TensorFlow的基本知识点，进行TensorFlow的学习。使用图 来表示计算任务.在被称之为 会话 的上下文 中执行图.使用 tensor 表示数据.通过 变量 维护

Docker 很棒——越来越多的人在开发与分布中使用它。Docker 有很多优势：即时环境设置、独立于平台的 app、现成的解决方案、更好的版本控制、简化的维护。但是在数据科学和深度学习方面，使用 Docker 有一些阻碍。你必须记住所有的 Docker