TensorFlow 開發者認證計劃介紹

TensorFlow 認證計劃有哪些推薦課程？

介紹網頁：<https://www.tensorflow.org/certificate>

在這個網頁當中，官方推薦了幾個課程：

• Udacity 的《TensorFlow 在深度學習中的應用簡介》課程。
• Coursera 的《DeepLearning.AI TensorFlow Developer 專業證書》。

我選擇了 Udacity 的課程（因為免費），而且可以有中文字幕：

應試者必備哪些知識？

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。

認證考試使用什麼工具？

考試使用 PyCharm，因此應熟悉在 PyCharm 中撰寫 Python 程式、Debug 及 Compiler。

• 社區版連結：<https://www.jetbrains.com/pycharm/download/#section=windows>
• 若仍有學生的 email 信箱，則可以免費申請專業版：<https://www.jetbrains.com/community/education/#students>

認證考試的內容範圍在哪裡找？

雖然不一定要去獲得認證，但是從認證考試範圍可以了解，學習 TensorFlow 有哪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：

TensorFlow 開發技能

• 在 PyCharm 中寫 Python 程式的知識，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。
• 確保可以將測試資料與神經網路的輸入形狀匹配。
• 確保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（callback）來觸發訓練週期的結束。
• 使用不同來源的資料集。
• 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

了解如何使用 TensorFlow 2.x 以深度神經網路和卷積神經網路構建影像識別和物件檢測模型。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）

需要了解如何使用神經網絡解決自然語言處理問題，包括：

• 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 TensorFlow 模型中使用詞嵌入。
• 在模型中使用 LSTM 對文本進行分類以進行二分類或多分類。
• 將 RNN 和 GRU 層添加到模型中。
• 在處理文本的模型中使用 RNN、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

需要了解如何在 TensorFlow 中解決時間序列和預測問題，包括：

• 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。

延伸閱讀

• Keras 介紹：用 Python 快速建立深度學習模型的高階 API：同樣聚焦 TensorFlow、深度學習，可接著比較不同情境的做法。
• 如何縮小 TensorFlow 模型記憶體：剪枝、正則化與卷積設計：同樣聚焦 TensorFlow、深度學習，可接著比較不同情境的做法。
• ResNet 殘差網路是什麼？TensorFlow ResNet 介紹與使用範例：同樣聚焦 TensorFlow、深度學習，可接著比較不同情境的做法。

常見問題

QTensorFlow 開發者認證考試要用什麼工具？

考試在 PyCharm 中進行，應試者需熟悉在 PyCharm 中撰寫 Python 程式、除錯與編譯。PyCharm 社區版可免費下載，有學生信箱的話還可以免費申請專業版。

Q考 TensorFlow 認證前應該上什麼課程？

官方推薦 Udacity 的《TensorFlow 在深度學習中的應用簡介》（免費、有中文字幕）與 Coursera 的 DeepLearning.AI TensorFlow Developer 專業證書課程，兩者皆可作為準備教材。

Q考試範圍包含哪些主題？

主要分四大塊：使用 TensorFlow 2.x 構建和訓練神經網路模型、影像分類（CNN 與 ImageDataGenerator）、自然語言處理（詞嵌入、LSTM、GRU、RNN），以及時間序列與預測（MAE、視窗策略、學習率調整）。

Q不打算考證照，看考試範圍還有價值嗎？

有。認證考試範圍代表官方認為學習 TensorFlow 必備的知識清單，可以當作完整的學習路線圖，逐項檢查自己是否已掌握構建、訓練、除錯與儲存模型的能力。

參考資料

• TensorFlow 官方認證計劃網頁
• Udacity：Intro to TensorFlow for Deep Learning
• Coursera：DeepLearning.AI TensorFlow Developer Professional Certificate

最後更新

2026-08-28（原文發布於 2023-01-11，本文保留原始筆記內容並補上 GEO 結構。）

關於作者 {#author}

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2023-01-11