К сожалению, низкоуглеводный заменитель еды Chris + Heidi в настоящее время доступен только для жителей Канады США.

Мы любим наших международных друзей, и мы работаем над расширением на международном уровне. Мы сообщим вам, как скоро мы откроемся для других стран!

Дополнительная информация

Связанные продукты

{«cart_token»: «», «hash»: «», «cart_data»: «»}

Dance by Transform

Получите скидку более 40% на онлайн-программу Dance by Transform

12-недельная программа с танцевальными тренировками и индивидуальным планом питания

Теперь у вас есть шанс двигаться, сжигать калории и танцевать!

Что такое танец трансформ?

Это не похоже на тренировку

Эта танцевальная программа поможет вам сжигать калории для похудания и повысить вашу энергию, выносливость, гибкость, координацию и даже настроение! Вы удивитесь, насколько весело вы сможете быстро отслеживать свои результаты.

Познакомьтесь с Эмили, занятой мамой пятерых детей, женой и вашим сертифицированным инструктором по танцам.

Имея более 20 лет в индустрии фитнеса, 10 из которых преподают фитнес, Эмили помогла показать тысячам людей, как трансформироваться, по одному танцевальному движению за раз. Она вложила весь свой опыт в эту 12-недельную программу, чтобы помочь вам двигаться, потеть, сжигать калории и получать от этого удовольствие!

Использовать Dance by Transform на любом устройстве

Apple TV

iPhone

Похудение не должно быть скучным! Именно поэтому мы создали эту замечательную 12-недельную танцевальную программу.Вы будете разучивать веселые танцы, вспотевать и сжигать калории.

Составьте план питания с учетом веса и пола, содержащий восхитительные рецепты, которые помогут ускорить результаты похудания, удовлетворить ваши пристрастия и поддерживать чувство бодрости.

Вы можете получить полную танцевальную тренировку за 10 или более минут в день!

От разминки до восстановления, эти оптимистичные песни заставят вас увеличить громкость и танцевать, как будто никто не смотрит, — и вы будете ЛЮБИТЬ каждую секунду этого!

Индивидуальный план питания, соответствующий вашим потребностям

Наряду с танцевальными тренировками вы получите индивидуальный план питания в зависимости от вашего веса и пола.От вкусных и быстрых блюд до изысканных блюд — вы подпитываете свое тело, ускоряете снижение веса и утолите свою тягу.

Получите скидку 44% на онлайн-программу Dance by Transform сегодня

Заявления на этом веб-сайте не проверялись Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов. Продукты не предназначены для диагностики, лечения или предотвращения каких-либо заболеваний. Если вы беременны, кормите грудью, принимаете лекарства или страдаете заболеванием, проконсультируйтесь с врачом перед использованием наших продуктов.Вы не должны прекращать прием каких-либо лекарств без предварительной консультации с врачом.

Информация, представленная на этом сайте, предназначена только для информационных и образовательных целей и не предназначена в качестве медицинского совета или замены совета вашего врача или другого квалифицированного медицинского работника. Вы не должны использовать информацию на этом сайте для диагностики или лечения каких-либо проблем со здоровьем, а также для назначения каких-либо лекарств или другого лечения. ВСЕГДА проконсультируйтесь с врачом перед началом любой диеты, программы упражнений или диетических добавок.

Политика конфиденциальности | Условия использования | * Заявление об ограничении ответственности

© 2020 Transform Management, LLC. Все права защищены.

Нужен ли мне абонемент в тренажерный зал для участия в программе Dance by Transform?

Нет, абонемент в спортзал не нужен! Вы можете выполнять эту программу Dance by Transform, не выходя из собственного дома.

Является ли эта программа Dance by Transform программой экспертного уровня?

Эта программа предназначена для всех уровней! Каждую неделю вы будете добавлять новый танец и пробегать предыдущие, а также начинать каждый день с разминки и заканчивать отдыхом.У вас также будет возможность добавить дополнительные танцевальные тренировки Tone & Pump Bonus, если вы хотите подняться на ступеньку выше!

Могу ли я транслировать это на свой телевизор или мне придется использовать свой компьютер?

Да! Многим людям нравится следить за танцевальными видео, используя телевизор вместо экрана компьютера или телефона. Вот несколько ресурсов, которые помогут вам узнать, как подключить свои устройства к телевизору:

iPhone

https://www.cabletv.com/blog/how-to-connect-iphone-to-tv

Android

https: // support.google.com/chromecast/answer/6059461?hl=en

ПК Компьютер или ноутбук

https://www.wikihow.com/Connect-PC-to-TV

Компьютер или ноутбук Apple

https://support.apple.com/guide/mac-help/use-your-tv-as-a-display-mchlp1206/mac

Как выбрать лучший план питания?

Каждый план питания содержит множество вкусных рецептов, которые помогут ускорить достижение результатов. Просто выберите план питания в зависимости от вашего веса и пола.

Если я хочу добавить больше дней танцевальных тренировок в течение недели, могу ли я?

Не стесняйтесь повторять танцевальные тренировки каждую неделю сколько угодно раз! Мы также включили дополнительные танцы Tone & Pump, которые вы можете добавить в свой распорядок и помочь ускорить достижение результатов!

Сэкономьте до 60% на приложении Transform, которое включает НОВУЮ танцевальную программу!

Танцуй за 10 минут или больше в день

Танцуй за 10 минут или больше в день

Людям нравится эта танцевальная программа… И ты тоже!

* Уже пользуетесь приложением Transform?

Эта программа включена в вашу подписку

и может быть найдена в разделе программ вашего приложения.

С помощью этой онлайн-программы вы получите 12 недель танцевальных тренировок и индивидуальный план питания, который вы можете получить в любое время и транслировать через свой компьютер, ноутбук или смарт-устройства.

Ноутбук, настольные компьютеры

Приложение Transform — TransformHQ с Chris & Heidi

Приложение Transform упрощает похудание

Начните преобразование сегодня.

Вы заслуживаете достижения своих целей. Мы покажем вам, как это сделать.

Присоединяйтесь к тысячам пользователей приложения, которые меняют свою жизнь прямо сейчас.

Простые тренировки

Более 1000 тренировок с видео-сопровождением плюс модификации для каждого упражнения.

Легкое питание

Выбирайте блюда исходя из того, сколько времени у вас есть на приготовление.

Индивидуальные планы

Получите индивидуальный план за 3 минуты или меньше.

Трекер прогресса

Transform поможет вам преодолеть любые плато потери веса.

1000+ тренировок с видео

С модификациями для каждого упражнения, у нас есть программа тренировок, которая идеально подходит для вас!

Тренируйтесь, где хотите,

Тренируйтесь со знаменитыми кроссовками

Знаменитые тренеры и тренеры мирового класса всегда у вас под рукой.

Все тренировки и питание у вас на ладони.

Проверьте эти реальные преобразования

тысячи обзоров и историй успеха преобразований со всего Интернета!

«Я намного счастливее и здоровее! Теперь я могу бегать и играть со своими детьми, и у меня еще есть запас энергии!

Никки К.

”После бесчисленных попыток похудеть и попробовать разные диеты, я наконец нашла работающую систему! Приложение «Трансформация» было тем инструментом, которого мне не хватало в моем путешествии по снижению веса.

Дэйв Б.

«Мое отношение к еде и мое тело полностью изменилось. Я больше не боюсь еды. Я больше не боюсь масштаба.

Бет Н.

«Это действительно изменило мою жизнь, и я всегда буду ей благодарен!

Ребекка Б.

”Я загрузил приложение в день его выпуска и начал видеть результаты уже на первой неделе!

Эшли С.

* Индивидуальные результаты могут отличаться. Для здоровой потери веса необходимы регулярные упражнения и правильное питание.Представленные отзывы могли использовать более одного продукта Transform с Chris + Heidi или других программ для достижения своих результатов.
Заявление об отказе от ответственности

НАШИ ТРЕНЕРА БЫЛИ ИЗОБРАЖЕНЫ В

Начните работу с 7-дневной БЕСПЛАТНОЙ пробной версией

Ежедневные тренировки и планы питания

Вход в частное сообщество

Простая отмена в один клик в любое время

7-дневная бесплатная пробная версия

* Оплата каждые 1 месяц после пробной версии

Ежедневные тренировки и планы питания

Вход в частное сообщество

Простая отмена в один клик в любое время

7-дневная бесплатная пробная версия

* Оплата каждые 3 месяца после пробной версии

* Приложение Transform предоставляется по подписке.Вы можете отменить в любое время, просто свяжитесь с нашей командой по адресу [электронная почта], если у вас есть какие-либо вопросы.

{«cart_token»: «», «hash»: «», «cart_data»: «»}

Компонент конвейера преобразования TFX | TensorFlow

Компонент конвейера Transform TFX выполняет проектирование функций на tf. Примеры испускается из компонента ExampleGen, используя созданную схему данных компонентом SchemaGen и испускает SavedModel, а также статистические данные как до преобразования, так и после преобразования.При исполнении SavedModel примет tf.Examples, переданные из компонента ExampleGen, и выдаст преобразованные данные признаков.

• Потребляет: tf.Examples из компонента ExampleGen и схему данных из Компонент SchemaGen.
• Излучает: SavedModel в компонент Trainer, предварительное преобразование и пост-преобразование статистика.

Настройка компонента преобразования

После того, как ваш preprocessing_fn будет написан, его необходимо определить в Python модуль, который затем предоставляется компоненту Transform в качестве входных данных.Этот модуль будет загружен преобразованием, а функция с именем preprocessing_fn будет найден и использован Transform для построения конвейера предварительной обработки.

  преобразовать = Преобразовать (
    examples = example_gen.outputs ['примеры'],
    schema = schema_gen.outputs ['schema'],
    module_file = os.path.abspath (_taxi_transform_module_file))
  

Кроме того, вы можете захотеть предоставить опции для TFDV на основе вычисление статистики до или после преобразования.Для этого определите stats_options_updater_fn в том же модуле.

Преобразование и преобразование TensorFlow

Transform широко использует TensorFlow Transform для выполнения разработка функций в вашем наборе данных. TensorFlow Transform — отличный инструмент для преобразование данных функций до того, как они попадут в вашу модель и как часть тренировочный процесс. Преобразования общих функций включают:

• Embedding : преобразование разреженных функций (например, целочисленных идентификаторов, созданных словарь) в плотные функции, найдя значимое отображение из пространственное пространство в низкоразмерное пространство.См. Раздел «Вложения» в Ускоренный курс машинного обучения для введения в вложения.
• Генерация словаря : преобразование строк или других нечисловых функций в целые числа, создав словарь, который сопоставляет каждое уникальное значение с идентификатором количество.
• Нормализация значений : преобразование числовых функций так, чтобы все они падали в аналогичном диапазоне.
• Бакетизация : преобразование непрерывных функций в категориальные функции путем присвоения значений дискретным сегментам.
• Расширение функций текста : создание функций из необработанных данных, таких как токены, n-граммы, сущности, настроения и т. д., чтобы обогатить набор функций.

TensorFlow Transform обеспечивает поддержку этих и многих других типов преобразований:

• Автоматически генерируйте словарь из ваших последних данных.

• Выполните произвольные преобразования ваших данных перед их отправкой на ваш модель. TensorFlow Transform встраивает преобразования в граф TensorFlow для ваша модель, чтобы одни и те же преобразования выполнялись при обучении и выводе время.Вы можете определить преобразования, которые относятся к глобальным свойствам данные, такие как максимальное значение функции во всех экземплярах обучения.

Перед запуском TFX вы можете преобразовать данные, как вам нравится. Но если вы сделаете это в TensorFlow Transform, преобразует стать частью графа TensorFlow. Такой подход помогает избежать обучения / обслуживания перекос.

Преобразования внутри кода моделирования используют FeatureColumns. Используя FeatureColumns, вы можете определять разбиение на части, целочисленные значения, которые используют предопределенные словари или любые другие преобразования, которые могут быть определены не глядя на данные.

Напротив, TensorFlow Transform разработан для преобразований, требующих полный проход по данным для вычисления значений, которые заранее не известны. Для Например, генерация словаря требует полного прохождения данных.

Помимо вычисления значений с помощью Apache Beam, TensorFlow Transform позволяет пользователям вставлять эти значения в график TensorFlow, который затем можно загрузить в тренировочный график.Например, при нормализации функций tft.scale_to_z_score Функция вычислит среднее и стандартное отклонение особенность, а также представление на графике TensorFlow функции который вычитает среднее и делит на стандартное отклонение. Испуская График TensorFlow, а не только статистика, TensorFlow Transform упрощает процесс создания вашего конвейера предварительной обработки.

Поскольку предварительная обработка выражается в виде графика, это может происходить на сервере, и это гарантировано постоянство между обучением и обслуживанием.Этот единообразие устраняет один источник перекоса при обучении / обслуживании.

TensorFlow Transform позволяет пользователям указывать свой конвейер предварительной обработки, используя Код TensorFlow. Это означает, что конвейер устроен так же, как и граф TensorFlow. Если бы на этом графике использовались только операции TensorFlow, конвейер будет чистой картой, которая принимает пакеты ввода и возвращает пакеты вывода. Такой конвейер будет эквивалентен размещению этого графика внутри вашего input_fn при использовании тс.Оценщик API. Чтобы указать операции полного прохода, такие в качестве квантилей вычисления TensorFlow Transform предоставляет специальные функции, называемые Анализаторы , которые выглядят как операции TensorFlow, но на самом деле указывают отложенный вычисление, которое будет выполнено Apache Beam, и вывод вставлен в график как константа. В то время как обычная операция TensorFlow принимает один пакет как его ввод, выполните некоторые вычисления только для этого пакета и испустите пакет, Анализатор выполнит глобальную редукцию (реализованную в Apache Beam) по всем партии и вернуть результат.

Объединив обычные анализаторы TensorFlow ops и TensorFlow Transform, пользователи могут создавать сложные конвейеры для предварительной обработки своих данных. Например, tft.scale_to_z_score Функция принимает входной тензор и возвращает этот тензор нормализовано, чтобы иметь среднее значение 0 и дисперсию 1 . Он делает это, вызывая означает и анализаторы var под капотом, которые эффективно генерируют константы в график равен среднему значению и дисперсии входного тензора.Затем он будет использовать TensorFlow вычитает среднее значение и делит его на стандартное отклонение.

Преобразование TensorFlow

Компонент TFX Transform упрощает использование Transform за счет обработки API вызовы, связанные с чтением и записью данных, и записью вывода SavedModel в диск. Как пользователь TFX, вам нужно определить только одну функцию, называемую preprocessing_fn . В preprocessing_fn вы определяете серию функций, которые управляют вводом dict тензоров для получения выходного dict тензоров.Вы можете найти помощника такие функции, как scale_to_0_1 и compute_and_apply_vocabulary, TensorFlow Transform API или используйте обычные функции TensorFlow, как показано ниже.

  def preprocessing_fn (входы):
  "" "функция обратного вызова tf.transform для предварительной обработки входных данных.

  Аргументы:
    входные данные: сопоставление функциональных ключей с необработанными еще не преобразованными функциями.

  Возврат:
    Сопоставьте строковый функциональный ключ с преобразованными функциями.
  "" "
  выходы = {}
  для ключа в _DENSE_FLOAT_FEATURE_KEYS:
    # Если разреженный, сделайте его плотным, установив nan в 0 или '', и примените zscore.выводит [_transformed_name (key)] = transform.scale_to_z_score (
        _fill_in_missing (входы [ключ]))

  для ключа в _VOCAB_FEATURE_KEYS:
    # Создайте словарный запас для этой функции.
    выводит [_transformed_name (
        ключ)] = transform.compute_and_apply_vocabulary (
            _fill_in_missing (входы [ключ]),
            top_k = _VOCAB_SIZE,
            num_oov_buckets = _OOV_SIZE)

  для ключа в _BUCKET_FEATURE_KEYS:
    выводит [_transformed_name (key)] = transform.bucketize (
        _fill_in_missing (входы [ключ]), _FEATURE_BUCKET_COUNT)

  для ключа в _CATEGORICAL_FEATURE_KEYS:
    выходы [_transformed_name (ключ)] = _fill_in_missing (входы [ключ])

  # Этот пассажир был большим самосвалом?
  taxi_fare = _fill_in_missing (вводится [_FARE_KEY])
  tips = _fill_in_missing (входные данные [_LABEL_KEY])
  выводит [_transformed_name (_LABEL_KEY)] = tf.куда(
      tf.is_nan (такси_фар),
      tf.cast (tf.zeros_like (taxi_fare), tf.int64),
      # Проверьте, были ли чаевые> 20% от стоимости проезда.
      tf.cast (
          tf.greater (советы, tf.multiply (taxi_fare, tf.constant (0.2))), tf.int64))

  возвратные выходы
  

Понимание входных данных preprocessing_fn

preprocessing_fn описывает серию операций с тензорами (т. Е. Tensor s или SparseTensor s), и поэтому для правильной записи preprocessing_fn необходимо понимать, как ваши данные представлены в виде тензоров.Вход к preprocessing_fn определяется схемой. Схема Протокол содержит список Feature s, и Transform преобразует их в «характеристики функции» (иногда называемый «спецификацией синтаксического анализа»), который представляет собой словарь, ключи которого являются именами функций и чьи значения — одно из FixedLenFeature или VarLenFeature (или другое параметры, не используемые TensorFlow Transform).

Правила для вывода спецификации функции из схемы :

• Каждый элемент с набором формы приведет к тс.FixedLenFeature с shape и default_value = None . присутствие.мин_фракция должно быть 1 в противном случае возникнет ошибка, поскольку при отсутствии значения по умолчанию tf.FixedLenFeature требует, чтобы эта функция присутствовала всегда.
• Каждый элемент с не заданной формой приведет к VarLenFeature .
• Каждый sparse_feature приведет к tf.SparseFeature , размер которого и is_sorted определяются полями fixed_shape и is_sorted сообщение SparseFeature .
• Функции, используемые как index_feature или value_feature объекта sparse_feature не будет иметь собственной записи в функции спец.
• Соответствие между полем типа признака (или значениями особенность прототипа sparse_feature ) и dtype спецификации функции приведено в следующей таблице:

Использование TensorFlow Transform для обработки строковых меток

Обычно нужно использовать TensorFlow Transform как для создания словаря, так и для применить этот словарь для преобразования строк в целые числа.Следуя этому рабочий процесс, input_fn , созданный в модели, будет выводить целочисленные нить. Однако этикетки являются исключением, потому что для того, чтобы модель была возможность отображать выходные (целочисленные) метки обратно в строки, модель нуждается в input_fn для вывода строковой метки вместе со списком возможных значений наклейка. Например. если метки cat и dog , то вывод input_fn должен быть этими необработанными строками, а ключи ["cat", "dog"] должны быть передается в оценщик в качестве параметра (подробности см. ниже).

Для преобразования строковых меток в целые числа следует использовать TensorFlow Transform для создания словаря. Продемонстрируем это в коде фрагмент ниже:

  def _preprocessing_fn (входы):
  "" "Предварительная обработка входных объектов в преобразованные объекты." ""

  ...


  образование = входные данные [features.RAW_LABEL_KEY]
  _ = tft.vocabulary (образование, словарный_файл = features.RAW_LABEL_KEY)

  ...
  

Вышеупомянутая функция предварительной обработки использует функцию сырого ввода (которая также будет возвращается как часть вывода функции предварительной обработки) и вызывает тфт.словарный запас на нем. Это приводит к созданию словаря для education , к которому можно получить доступ в модели.

В этом примере также показано, как преобразовать метку, а затем сгенерировать словарь. для преобразованной этикетки. В частности, это необработанная этикетка , образование и преобразует все метки, кроме пяти верхних (по частоте) в НЕИЗВЕСТНО , без преобразование метки в целое число.

В коде модели классификатору должен быть дан словарь, сгенерированный тфт.словарь как аргумент label_vocabulary . Это делается сначала чтение этого словаря в виде списка со вспомогательной функцией. Это показано в фрагмент ниже. Обратите внимание, что в примере кода используется преобразованная метка, описанная выше. но здесь мы показываем код для использования необработанной метки.

  def create_estimator (pipeline_inputs, hparams):

  ...

  tf_transform_output = trainer_util.TFTransformOutput (
      pipeline_inputs.transform_dir)

  # Dictionary_by_name () возвращает список Python.label_vocabulary = tf_transform_output.vocabulary_by_name (
      features.RAW_LABEL_KEY)

  вернуть tf.contrib.learn.DNNLinearCombinedClassifier (
      ...
      n_classes = len (label_vocab),
      label_vocabulary = label_vocab,
      ...)
  

Настройка статистики до и после преобразования

Как упоминалось выше, компонент Transform вызывает TFDV для вычисления обоих статистика до и после преобразования. TFDV принимает в качестве входных данных необязательный Объект StatsOptions.Пользователи могут захотеть настроить этот объект для включения определенных дополнительных статистики (например, статистика НЛП) или для установки проверяемых пороговых значений (например, минимальная / максимальная частота токена). Для этого определите stats_options_updater_fn в файле модуля.

  def stats_options_updater_fn (stats_type, stats_options):
  ...
  если stats_type == stats_options_util.StatsType.PRE_TRANSFORM:
    # Обновите stats_options, чтобы изменить вычисление статистики до преобразования.
    # Большинство ограничений указаны в схеме, к которой можно получить доступ
    # через stats_options.схема.
  если stats_type == stats_options_util.StatsType.POST_TRANSFORM
    # Обновите stats_options, чтобы изменить вычисление статистики после преобразования.
    # Большинство ограничений указаны в схеме, к которой можно получить доступ
    # через stats_options.schema.
  вернуть stats_options
  

Посттрансформационная статистика часто выигрывает от знания словарного запаса. используется для предварительной обработки объекта. Имя словаря для сопоставления путей: предоставляется StatsOptions (и, следовательно, TFDV) для каждого словаря, созданного TFT.Кроме того, сопоставления для словарей, созданных извне, могут быть добавлены с помощью либо (i) напрямую изменить словарь vocab_paths в StatsOptions или (ii) используя tft.annotate_asset .

Цифровые преобразования и новое лицо бизнеса