TensorFlow: 高級技術專業課

Contents

擴展您的技能組合併掌握 TensorFlow。通過四個實踐課程自定義您的機器學習模型！

關於此專業課程

關於 TensorFlow

TensorFlow 是一個用於機器學習的端到端開源平台。它擁有一個全面、靈活的工具、程式庫和社區資源生態系統，使研究人員能夠推動 ML 的最新發展，而開發人員則可以輕鬆建構和部署 ML 支持的應用程式。 TensorFlow 通常用於機器學習應用程式，例如語音識別和檢測、谷歌翻譯、圖像識別和自然語言處理。

關於這個專業課

擴展您對函數式 API 的了解並建構奇異的非順序模型類型。了解如何在具有多種處理器和晶片類型的不同環境中優化訓練，並了解物件檢測、圖像分割和解釋卷積等高級電腦視覺場景。探索生成式深度學習，包括 AI 創建新內容的方式，從 Style Transfer 到 Auto Encoding、VAE 和 GAN。

關於你

此專業化面向對 TensorFlow 有基本了解的軟體和機器學習工程師，他們希望通過學習進階TensorFlow 功能來擴展他們的知識和技能以建構強大的模型。

尋找起點？通過 DeepLearning.AI TensorFlow 開發人員專業證書計劃掌握基礎知識。

準備好將您的模型部署到世界各地了嗎？了解如何使用 TensorFlow : 資料與佈署專業課程。

到官方網站了解本課程與上課

應用的學習專案

在本專業化課程中，您將獲得風格遷移、物件檢測和生成式機器學習等高級 TensorFlow 技術的實用知識和實踐培訓。

課程 1：了解 Functional API 的底層基礎並構建奇異的非序列模型類型、自定義損失函數和層。

課程 2：了解優化的工作原理以及如何使用 GradientTape 和 Autograph。使用多種處理器和晶片類型優化不同環境中的訓練。

課程 3：練習物件檢測、圖像分割和卷積的視覺解釋。

課程 4：探索生成式深度學習以及 AI 如何創建新內容，從通過自動編碼和 VAE 到生成對抗網路的風格遷移。

你將學到的內容有

了解 Functional API 的底層基礎並建構奇異的非序列模型類型、自定義損失函數和層。
學習優化以及如何使用 GradientTape 和 Autograph，在具有多種處理器和晶片類型的不同環境中優化訓練。
練習物件檢測、圖像分割和卷積的視覺解釋。
探索生成式深度學習，以及 AI 如何創建新內容，從 Style Transfer 到 Auto Encoding，從 VAE 到 GAN。

你將獲得的技能：

模型可解釋性	自定義訓練迴圈	自訂的和奇特的模型
生成機器學習	物件檢測	函數式API
自訂的圖層	具有功能性 API 的自訂的模型和奇特模型	自訂的損失函數
分發策略	基本張量功能	用於優化的漸變帶

字幕

英文

製作方

deeplearning.ai

DeepLearning.AI 是一家教育技術公司，致力於培養全球 AI 人才社區。

DeepLearning.AI 的專家主導的教育體驗為 AI 從業者和非技術專業人士提供了從基礎知識到高級應用的必要工具，使他們能夠構建 AI 驅動的未來。

第 1 門課程使用 TensorFlow 的自定義模型、層和損失函數

在本課程中，您將：

比較函數式 API 和順序 API，發現可以使用函數式 API 構建的新模型，並建構可生成多個輸出(包括連體網路)的模型。
構建自定義損失函數（包括孿生網路中使用的對比損失函數）以衡量模型的表現並幫助您的神經網路從訓練資料學習。
在現有標準層的基礎上為您的模型創建自定義層，使用 lambda 層自定義網路層，了解它們之間的差異，了解自定義層的構成，並探索啟動函數。
在現有模型的基礎上添加自定義功能，了解如何定義自己的自定義類而不是使用函數式或順序 API，建構可從 TensorFlow 模型類繼承的模型，以及通過定義一個殘差網路 (ResNet) 自定義模型類。

DeepLearning.AI ”TensorFlow: 高級技術專業課“介紹了 TensorFlow 的特性，讓學習者能夠更好地控制他們的模型架構和工具，幫助他們創建和訓練高級 ML 模型。

該專業課主要對 TensorFlow 有基本了解的早期和中期軟體和機器學習工程師，他們希望通過學習高級 TensorFlow 功能來構建強大的模型來擴展他們的知識和技能。

第 2 門課程使用 TensorFlow 進行自定義和分佈式訓練

在本課程中，您將：

了解 TensorFlow 的基本建構塊 Tensor 物件，了解 TensorFlow 中的 eager 模式和圖形模式之間的區別，並學習如何使用 TensorFlow 工具計算梯度。
使用 GradientTape 和 TensorFlow 資料集建構您自己的自定義訓練迴圈，以通過模型訓練獲得更大的靈活性和可見性。
了解生成以圖形模式運行的程式碼的好處，看一看圖形程式碼的外觀，並練習使用 TensorFlow 的工具自動生成這種更高效的程式碼。
利用分佈式訓練的力量更快地處理更多資料和訓練更大的模型，概述各種分佈式訓練策略，並練習使用一種在多個 GPU 核心上進行訓練的策略，以及另一個在多個 TPU 核心上進行訓練的策略。

DeepLearning.AI “TensorFlow: 高級技術專業課” 介紹了 TensorFlow 的特性，讓學習者能夠更好地控制他們的模型架構和工具，幫助他們創建和訓練高級 ML 模型。

該專業化面向對 TensorFlow 有基本了解的早期和中期軟體和機器學習工程師，他們希望通過學習高級 TensorFlow 功能來構建強大的模型來擴展他們的知識和技能。

第 3 門課程使用 TensorFlow 的高級電腦視覺

在本課程中，您將：

a) 探索圖像分類、圖像分割、物件定位和物件檢測。將遷移學習應用於物件定位和檢測。
b) 應用目標檢測模型，例如 regional-CNN 和 ResNet-50，自定義現有模型，並建構您自己的模型來檢測、定位和標記您自己的橡皮鴨圖像。
c) 使用包括 U-Net 和 d) Mask-RCNN 在內的完全卷積網路 (FCN) 的變體實施圖像分割，以識別和檢測數字、寵物、殭屍等。
d) 使用類激活圖和顯著性圖確定模型正在使用圖像的哪些部分進行預測，並應用這些 ML 解釋方法來檢查和改進著名網路 AlexNet 的設計。

DeepLearning.AI “TensorFlow: 高級技術專業課” 介紹了 TensorFlow 的特性，讓學習者能夠更好地控制他們的模型架構和工具，幫助他們創建和訓練高級 ML 模型。

該專業化面向對 TensorFlow 有基本了解的早期和中期軟件和機器學習工程師，他們希望通過學習高級 TensorFlow 功能來建構強大的模型來擴展他們的知識和技能。

第 4 門課程使用 TensorFlow 進行生成式深度學習

在本課程中，您將：

a) 使用遷移學習學習神經風格遷移：提取圖像的內容（例如天鵝）和繪畫的風格（例如立體派或印象派），並將內容和風格組合成新圖像。
b) 在熟悉的 MNIST 資料集上建構簡單的自動編碼器，在 Fashion MNIST 資料集上建構更複雜的深度和卷積架構，了解 DNN 和 CNN 自動編碼器模型結果的差異，確定噪聲圖像去噪的方法，並構建一個 CNN AutoEncoder 使用 TensorFlow 從嘈雜的圖像輸出乾淨的圖像。
c) 探索變分自動編碼器 (VAE) 以生成全新資料，並生成動漫人臉以將它們與參考圖像進行比較。
d) 了解 GAN；他們的發明、屬性、架構以及它們與 VAE 的不同之處，了解模型中生成器和鑑別器的功能，2 個訓練階段的概念以及引入噪聲的作用，並建構您自己的可以生成人臉的 GAN。

DeepLearning.AI “TensorFlow: 高級技術專業課” 介紹了 TensorFlow 的特性，讓學習者能夠更好地控制他們的模型架構，並為他們提供創建和訓練高級 ML 模型的工具。

該專業化面向對 TensorFlow 有基本了解的早期和中期軟體和機器學習工程師，他們希望通過學習高級 TensorFlow 功能來建構強大的模型來擴展他們的知識和技能。