[开发技巧]·TensorFlow&Keras GPU使用技巧
在使用TensorFlow&Keras通过GPU进行加速训练时，有时在训练一个任务的时候需要去测试结果，或者是需要并行训练数据的时候就会显示OOM显存容量不足的错误。以下简称在训练一个任务的时候需要去测试结果，或者是需要并行训练数据为进行新的运算任务。
深度应用
[深度应用]·Keras实现Self-Attention文本分类（机器如何读懂人心）
笔者在[深度概念]·Attention机制概念学习笔记博文中，讲解了Attention机制的概念与技术细节，本篇内容配合讲解，使用Keras实现Self-Attention文本分类，来让大家更加深入理解Attention机制。 作为对比，可以访问[TensorFlow深度学习深入]实战三·分别使用DNN,CNN与RNN(LSTM)做文本情感分析，查看不同网络区别与联系。
『开发技术』Windows极简安装使用face_recognition实现人脸识别
face_recognition是一个强大、简单、易上手的人脸识别开源项目，并且配备了完整的开发文档和应用案例，特别是兼容树莓派系统。此项目是世界上最简洁的人脸识别库，你可以使用Python和命令行工具提取、识别、操作人脸。
『深度应用』NLP命名实体识别(NER)开源实战教程
为了简化，本文只用了RNN+Softmax方法进行了训练集测试，可以改进地方还有很多，例如加入CRF，使用Mask方法，三个数据集都用到等，后面有时间就会进行更新。也欢迎大家一起交流，共同改进。
『深度应用』一小时教你上手MaskRCNN·Keras开源实战（Windows&Linux）
MaskRCNN是何凯明基于以往的faster rcnn架构提出的新的卷积网络，一举完成了object instance segmentation. 该方法在有效地目标的同时完成了高质量的语义分割。 文章的主要思路就是把原有的Faster-RCNN进行扩展，添加一个分支使用现有的检测对目标进行并行预测。此开源代码：这是在Python 3，Keras和TensorFlow上实现Mask R-CNN
『王霸之路』从0.1到2.0一文看尽TensorFlow奋斗史
为什么TensorFlow 2.0 的发布能够引发了广泛的讨论和关注？下面笔者通过对于TensorFlow“奋斗史”介绍与解读来分析TensorFlow如何成就的王霸之路。 TensorFlow的“奋斗史”包括三个章节：锋芒初露（0.1），中原逐鹿（1.0），王者归来（2.0）。
