哪些网站能看毛片,国内毛片毛片毛片毛片毛片毛片,日韩A√视频,好吊视频一区二区三区,中文字幕一区二区三区精华液,日韩性爱人人操,成人AV片导航,骚逼成人av

↑↑↑點擊上方藍字，回復資料，10個G的驚喜

以后在本地運行 Keras Bazel 測試將不再花費幾小時，只需要幾分鐘。

對于深度學習領域的從業(yè)者而言，Keras 肯定不陌生，它是深度學習的主流框架之一。2015 年 3 月 27 日，谷歌軟件工程師、Keras 之父 Francois Chollet 在其 GitHub 上提交并公布了 Keras 的首個版本。作為使用純 Python 編寫的深度學習框架，Keras 的代碼更加簡單方便，適用于初學者。此外，Keras 具有很強的易擴展性，能夠直觀地定義神經(jīng)網(wǎng)絡，函數(shù)式 API 的使用令用戶可以將層定義為函數(shù)。

Keras 官網(wǎng)地址：https://keras.io/

為了訓練自定義神經(jīng)網(wǎng)絡，Keras 需要一個后端，在 v1.1.0 版本之前，Keras 的默認后端都是 Theano。2015 年 11 月 9 日，谷歌發(fā)布了 TensorFlow。Keras 開始支持 TensorFlow 作為后端。漸漸地，TensorFlow 成為最受歡迎的后端，并從 Keras v1.1.0 發(fā)行版開始成為它的默認后端。tf.keras 正是在 TensorFlow v1.10.0 中引入的，這是將 Keras 直接集成到 TensorFlow 包中的第一步。

當谷歌在 2019 年 6 月發(fā)布 TensorFlow 2.0 時，他們宣布 Keras 成為 TensorFlow 的官方高級 API。并且，在 Keras 2.3.0 版本發(fā)布時，F(xiàn)rancois 表示這是 Keras 首個與 tf.keras 同步的版本，也是 Keras 支持 Theano 等多個后端的最終版本。所有深度學習從業(yè)者都應將其代碼轉換成 TensorFlow 2.0 和 tf.keras 軟件包。這意味著二者的合并，但看似雙贏的決定，很多開發(fā)者卻不買賬。API 的混亂與割裂不僅令開發(fā)者不知所措，也加大了開發(fā)者尋找教程的難度。

是時候做出改變了！近日，Keras 之父 Francois Chollet 在其推特宣布一項重要決定：他們已經(jīng)將 Keras 的代碼從 TensorFlow 代碼庫中分離出來，移回到了自己的 repo。

對于 Keras 從 TensorFlow 分離后有哪些好處？Francois 表示：「這將提升開源貢獻者的開發(fā)體驗。對于用戶而言，這將使他們可以在本地運行測試，不再需要編譯 TF 來測試 Keras 了，并且還將改善 CI 時間?！?/span>

Keras 正式從 TensorFlow 代碼庫中分離

此次 Keras 分離過程的負責人是谷歌高級軟件工程師 Scott Zhu，他代表 Keras 團隊向所有 Keras 用戶發(fā)表了公開聲明，解釋了 Keras 從 TensorFlow 代碼庫中分離出來的緣由以及分離后為用戶帶來的諸多便利之處。

開發(fā)團隊花費了很多精力使 TensorFlow 更加模塊化，并優(yōu)化了 Keras 和 TensorFlow 之間的依賴關系。最終 Keras 從 TensorFlow 代碼庫中分離出來，并擁有了自己獨立的代碼庫。這使 Keras 能夠使用 Tensorflow Python API 作為 PIP 包依賴項，且無需在構建和測試時編譯 TensorFlow。因此現(xiàn)在在本地運行 Keras Bazel 測試只需要幾分鐘，而不是幾小時。

變更之后，當前 TensorFlow 代碼庫中的 Keras 部分將很快被刪除。這意味著：

1. Keras 開源代碼庫的訪問地址將發(fā)生變更；

原地址：https://github.com/tensorflow/tensorflow
新地址：https://github.com/keras-team/keras

2. 經(jīng)過許可之后，原代碼庫中 Keras 部分的相關 PR 將被手動合并到新代碼庫中。Keras 團隊成員將在內(nèi)部進行同步和合并，相關作者無需進行任何操作。但如果 PR 已經(jīng)打開很長時間且沒有作者的活動，Keras 團隊可能會關閉它；

3. 任何在先前代碼庫中未解決的 Keras 相關活躍問題將在現(xiàn)有的 ticket 線程中處理，并將通過提交到新代碼庫進行修復；

4. 與原代碼庫相關的陳舊問題將被關閉。如果你認為仍然是有價值的問題，請隨時在新代碼庫中重新打開該問題；

5. 新 Keras 代碼庫在此次變更前未完成的任何 PR/issue 都被認為是陳舊的，將被關閉。

用戶想要提交貢獻，如何做？

用戶在提交自己的代碼以供審查并獲得批準時，必須簽署谷歌個人貢獻者許可協(xié)議（CLA），這樣才可以將代碼放入 Keras 代碼庫中。此外，在提交更多的貢獻時，用戶也應首先通過問題跟蹤器（issue tracker）與 Keras 聯(lián)系溝通。

包括項目成員在內(nèi)所有用戶的提交都必須接受審查。為此，Keras 使用 GitHub 拉取請求（pull request, PR），并建議用戶在創(chuàng)建 PR 之前閱讀相關指南。

完成本地更改并通過測試驗證后，用戶可以在 keras-team/keras 項目中打開并發(fā)送 PR，之后會經(jīng)過一系列的測試來驗證它的正確性。一旦 PR 被審查者測試和批準，PR 將被鏡像到谷歌內(nèi)部存儲庫。一旦合并到 Google 內(nèi)部存儲庫成功完成，PR 還將被標記為已合并（merged）。這與 Tensorflow OSS 的貢獻流程相同，相關示例如下圖所示：

在做任何更改之前，Keras 團隊建議用于打開 issue，并在上面討論。Keras 也會給予反饋并對用戶提出的更改進行驗證。如果更改很小，如文檔修復中簡單的 bug 修復，則只需打開 PR 無需討論。

與個人用戶不同，企業(yè)用戶提交的貢獻需要遵守《谷歌軟件授權與企業(yè)貢獻者許可協(xié)議》。

開發(fā)所需的工具

使用 Keras 開發(fā)所需要的工具主要包括如下：

用于創(chuàng)建和測試 Keras 項目的 Bazel 工具和 Python；
用于代碼庫管理的 git 工具。

設置和檢查本地工作區(qū)

以蘋果 Mac 電腦（Linux 系統(tǒng)的配置非常相似）為例，使用如下命令設置并檢查本地工作區(qū)的配置：

下載 Keras 代碼和設置虛擬環(huán)境

Python 虛擬環(huán)境是創(chuàng)建獨立環(huán)境的強大工具，可以將任何系統(tǒng)級配置的更改隔離開來。因此，Keras 強烈建議避免出現(xiàn)任何意外的依賴或版本問題。

本地運行測試

在本地運行一個測試的代碼如下：

(venv_dir) scottzhu-macbookpro2:keras scottzhu$ bazel test -c opt keras:backend_testWARNING: The following configs were expanded more than once: [v2]. For repeatable flags, repeats are counted twice and may lead to unexpected behavior.INFO: Options provided by the client:  Inherited 'common' options: --isatty=1 --terminal_columns=147INFO: Reading rc options for 'test' from /Users/scottzhu/workspace/keras/.bazelrc:  Inherited 'build' options: --apple_platform_type=macos --define open_source_build=true --define=use_fast_cpp_protos=false --define=tensorflow_enable_mlir_generated_gpu_kernels=0 --define=allow_oversize_protos=true --spawn_strategy=standalone -c opt --announce_rc --define=grpc_no_ares=true --config=short_logs --config=v2INFO: Reading rc options for 'test' from /Users/scottzhu/workspace/keras/.bazelrc:  'test' options: --define open_source_build=true --define=use_fast_cpp_protos=false --config=v2INFO: Found applicable config definition build:short_logs in file /Users/scottzhu/workspace/keras/.bazelrc: --output_filter=DONT_MATCH_ANYTHINGINFO: Found applicable config definition build:v2 in file /Users/scottzhu/workspace/keras/.bazelrc: --define=tf_api_version=2 --action_env=TF2_BEHAVIOR=1INFO: Found applicable config definition build:v2 in file /Users/scottzhu/workspace/keras/.bazelrc: --define=tf_api_version=2 --action_env=TF2_BEHAVIOR=1INFO: Analyzed target //keras:backend_test (0 packages loaded, 0 targets configured).INFO: Found 1 test target...Target //keras:backend_test up-to-date:  bazel-bin/keras/backend_testINFO: Elapsed time: 45.535s, Critical Path: 45.26sINFO: 19 processes: 19 local.INFO: Build completed successfully, 20 total actions//keras:backend_test                                                     PASSED in 45.2s  Stats over 4 runs: max = 45.2s, min = 40.0s, avg = 41.5s, dev = 2.1s
INFO: Build completed successfully, 20 total actions

最后為大家推薦一篇 Keras 的中文教程，它由 Keras 團隊軟件工程師金海峰翻譯自官網(wǎng)教程，詳細介紹了 Keras 和 TensorFlow 的基本用法和核心概念，并通過變分自編碼器（Variational Autoencoder）和超網(wǎng)絡（Hypernetwork）這兩個完整的例子展示了如何在實踐中使用 Keras。

教程知乎鏈接：https://zhuanlan.zhihu.com/p/380472423

推薦閱讀

（點擊標題可跳轉閱讀）

《機器學習暑期前沿學?！氛n程視頻及ppt分享
 下載 | 經(jīng)典著作《機器學習：概率視角》.pdf
【小抄】機器學習常見知識點總結（2021）
從貝葉斯定理到概率分布：詳解概率論

機器學習：XGBoost vs 神經(jīng)網(wǎng)絡

老鐵，三連支持一下，好嗎？↓↓↓

Keras正式從TensorFlow分離：效率大幅提升