Posted on by

TensorFlow 開發者認證計劃介紹

TensorFlow認證計劃課程

以下為介紹網頁
https://www.tensorflow.org/certificate
在這個網頁當中，他們推薦了幾個課程

而我選擇了Udacity的課程(因為免費)，而且可以有中文字幕

必備知識

為了順利完成考試，應試者應該了解以下知識：

  • 機器學習和深度學習的基本原則
  • 在TensorFlow 2.x 中構建機器學習模型
  • 使用深度神經網絡和卷積神經網絡構建圖像識別算法、對象檢測算法、文本識別算法
  • 使用不同形狀和大小的真實圖像可視化圖像的捲積過程，了解計算機如何“觀察”信息、繪製損失和準確率圖
  • 探索防止過擬合的策略，包括增強和丟棄策略
  • 在TensorFlow 中使用神經網絡解決自然語言處理問題

認證考試使用的工具

PyCharm
因此應熟悉在PyCharm中撰寫Python程式、Debug及Compiler。
此為社區版連結: https://www.jetbrains.com/pycharm/download/#section=windows
若是仍有學生的email信箱，則可以免費申請專業版: https://www.jetbrains.com/community/education/#students

認證考試的內容

雖然我們不一定要去獲得認證，但是從認證考試範圍可以了解，要學習Tensorflow有那些東西是官方認為必備的知識，以下為官方的認證說明文件:
TF_Certificate_Candidate_Handbook

TensorFlow開發技能

  • 在PyCharm中寫程式Python的知識，解決Python問題，並編譯和執行Python程式。
  • 了解如何查找有關 TensorFlow API 的信息，包括如何查找指南和 API(tensorflow.org 上的參考資料)。
  • 知道如何從TensorFlow API中除錯、調查和解決錯誤訊息。
  • 知道如何在tensorflow.org 之外搜尋必要知識來解決在tensorflow遇到的問題
  • 知道如何使用TensorFlow建立ML模型，其中模型大小對正在解決的問題來說是合理的。
  • 知道如何儲存ML模型並檢查模型
  • 了解不同版本的Tensorflow的相容性差異

使用TensorFlow 2.x構建和訓練神經網路模型

  • 使用TensorFlow 2.x。
  • 使用TensorFlow構建、編譯和訓練機器學習（ML）模型。
  • 預處理資料，使其準備好在模型中使用。
  • 使用模型來預測結果。
  • 為二元分類 (binary classification) 構建和訓練模型
  • 為多元分類器建構和訓練模型
  • 繪製經過訓練的模型的損失和準確性。
  • 了解如何防止過度擬合，包括資料增強(augmentation)和dropout
  • 使用預先訓練的模型（轉移學習）。
  • 從預先訓練的模型中提取特徵。
  • 確保模型的輸入處於正確的形狀。
  • 確保您可以將測試資料與神經網路的輸入形狀匹配。
  • 確保您可以將神經網絡的輸出數據與測試數據的指定輸入形狀相匹配。
  • 瞭解資料的批次載入
  • 使用回撥來觸發訓練週期的結束
  • 使用不同的來源的資料集
  • 使用不同格式的資料集，包括CSV和JSON
  • 使用tf.data.datasets裡的資料集

影像分類

瞭解如何使用TensorFlow 2.x使用深度神經網路和卷積神經網路構建影象識別和物件檢測模型。 您需要知道如何：

  • 使用 Conv2D 和池化層定義卷積神經網絡。
  • 構建和訓練模型來處理真實世界的圖像數據集。
  • 了解如何使用卷積來改進您的神經網絡。
  • 使用不同形狀和大小的真實世界圖像。
  • 使用圖像增強來防止過度擬合。
  • 使用 ImageDataGenerator。
  • 了解 ImageDataGenerator 如何根據目錄結構標記圖像。

自然語言處理（NLP）

你需要了解如何使用神經網絡張量流來解決自然語言處理問題。

您需要知道如何：

  • 使用 TensorFlow 構建自然語言處理系統。
  • 準備要在 TensorFlow 模型中使用的文本。
  • 構建使用二元分類識別一段文本類別的模型
  • 構建使用多類分類識別一段文本類別的模型
  • 在您的 TensorFlow 模型中使用詞嵌入。
  • 在您的模型中使用 LSTM 對文本進行分類以進行二分類或多分類。
  • 將 RNN 和 GRU 層添加到您的模型中。
  • 在處理文本的模型中使用 RNNS、LSTM、GRU 和 CNN。
  • 在現有文本上訓練 LSTM 以生成文本（例如歌曲和詩歌）

時間序列、序列和預測

您需要瞭解如何在TensorFlow中解決時間序列和預測問題。 您需要知道如何：

  • 訓練、調整和使用時間序列、序列和預測模型。
  • 訓練模型來預測單變數和多變數時間序列的值。
  • 為時間序列學習準備資料。
  • 瞭解平均絕對誤差（MAE）以及如何將其用於評估序列模型的準確性。
  • 使用RNN和CNN進行時間序列、序列和預測模型。
  • 確定何時使用尾隨視窗與居中視窗。
  • 使用TensorFlow進行預測。
  • 準備功能和標籤。
  • 識別和補償序列偏差。
  • 動態調整時間序列、序列和預測模型的學習率。