一、TensorFlow谷歌开发者认证
1、链接地址:
https://www.tensorflow.org/certificate?hl=zh-cn
2、推荐参考书籍,动手学深度学习(需要电子书的私信我)
3、考试详情
1)条件: 该考试考查的是学生使用 TensorFlow 2.x 构建模型来解决问题的能力。
2)技能核对清单:TensorFlow 开发者认证考试将考查您在下面这些技能方面的能力。
(1) TensorFlow 开发者技能 您需要展示您了解如何使用 TensorFlow 开发软件程序,并且作为 ML 从业者,您可以找到工所作需的信息。
您需要:
❏ 了解如何使用 Python 编程、解决 Python 问题,以及在 PyCharm 中编译和运行Python 程序。
- Python的语法
- 通过Python解决实际问题
- 使用PyCharm环境,熟悉环境
❏ 了解如何查找关于 TensorFlow API 的信息,包括如何在 tensorflow.org 上查找指南和 API 参考。
- API是接口
- 在网站上学习TensorFlow,查阅操作方法
❏ 了解如何对 TensorFlow API 中显示的错误消息进行调试、调查和解决。
- 出现问题学会解决问题
❏ 了解如何在必要时,在 tensorflow.org 以外的平台进行搜索,以解决 TensorFlow问题。
- 查阅相关资料
❏ 在模型大小对于需要解决的问题而言较为合理的情况下,了解如何使用 TensorFlow 创建 ML 模型。
- 术语ML模型 是指由训练过程创建的模型项目
❏ 了解如何保存 ML 模型并检查模型文件大小。
- 文件结果需要存档
❏ 了解不同版本 TensorFlow 之间的兼容性差异。
- 不同版本是有差异的,了解共性的还需要了解差异性在哪,为什么这么设计
(2) 使用 TensorFlow 2.x 构建和训练神经网络模型 您需要了解使用 TensorFlow 2.x 进行机器学习 (ML) 和深层学习 (DL) 的基本原则您需要了解如何:
❏ 使用 TensorFlow 2.x。
❏ 使用 TensorFlow 构建、编译和训练机器学习 (ML) 模型。
❏ 对数据进行处理,为在模型中使用做好准备。
❏ 使用模型预测结果。
❏ 使用多个层级构建依序模型。
- 这个是需要在实操环境中才能知道多层级构建依序模型是什么了?
❏ 构建和训练用于二进制分类的模型。
- TensorFlow对分类算法的实践
❏ 构建和训练用于多层级分类的模型。
- TensorFlow对分类算法的实践
❏ 针对已训练模型绘制损失和准确率曲线。
- 如何绘制模型结果?
- 如何绘制损失曲线?
- 如何绘制准确率曲线?
- 损失曲线具体是什么意思?
- 准确率曲线具体是什么意思?
❏ 明确规避过拟合的策略,包括增强和丢弃。
- 什么是过拟合?
- 如何规避过拟合?
- 增强是什么意思?
- 丢弃什么?
❏ 使用预先训练过的模型(转移学习)。
- 什么是过拟合?
❏ 从预先训练过的模型中提取功能。
- 是将模型封装嚒?
❏ 确保输入模型的数据形状准确无误。
❏ 确保测试数据与神经网络的输入数据形状相符。
- 神经网络模型是什么?
❏ 确保神经网络的输出数据与测试数据的制定输入数据形状相符。
❏ 了解数据的批量加载情况。
- 如何批量加载?
❏ 使用回调来触发训练周期的结束。
- 什么是回调?
❏ 使用来自不同数据源的数据集。
❏ 使用不同格式的数据集,包括 json 和 csv.
- json是什么格式?
❏ 使用来自 tf.data.datasets 的数据集。
- tf.data.datasets 的网址:https://www.tensorflow.org/api_docs/python/tf/data/Dataset
(3) 图片分类
您需要了解如何使用 TensorFlow 2.x,通过深度神经网络和卷积神经网络构建图片识别和物体检测模型。
您需要了解如何:
❏ 使用 Conv2D 和池化层定义卷积神经网络。
- Conv2D是什么意思?
- 池化层定义是什么意思?
❏ 构建和训练能够处理真实图片数据集的模型。
❏ 了解如何使用卷积来改进您的神经网络。
- 卷积是什么?
❏ 使用不同形状和尺寸的真实图片。
❏ 使用图片增强来避免过拟合。
❏ 使用 ImageDataGenerator。
- 地址 https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator
❏ 了解 ImageDataGenerator 如何根据目录结构给图片添加标签。
(4) 自然语言处理 (NLP)
您需要了解如何运用神经网络,使用 TensorFlow 来解决自然语言处理问题。
您需要了解如何:
❏ 使用 TensorFlow 来构建自然语言处理系统。
- NLP是语言处理的方式,还是需要把语言转成数据,然后通过TensorFlow处理
❏ 处理要在 TensorFlow 模型中使用的文本。
❏ 构建能够使用二进制类别来识别文本段类别的模型
- 分类方式处理数据
❏ 构建能够使用多层级分类来识别文本段类别的模型
❏ 在 TensorFlow 模型中使用词语嵌入。
- 在模型里加入新的数据再处理
❏ 在模型中使用 LSTM 对文本进行二进制或多层级分类。
- LSTM对文本处理好用嚒?
❏ 为模型添加 RNN 层和 GRU 层。
- RNN 层是什么?
- GRU 层是什么?
❏ 在用于处理文本的模型中使用 RNNS、LSTM、GRU 和 CNN。
- RNNS 层是什么?
- RNN与RNNS有什么区别?
- LSTM是什么?
- GRU是什么?
- CNN是什么?
- 几个之间有什么区别?
❏ 在现有文本中训练 LSTM,用于生成文本(例如歌曲和诗歌)。
- LSTM 层是什么?
(5) 时间序列、序列和预测
您需要了解如何在 TensorFlow 中解决时间序列和预测问题。
- 时间序列能解决什么?
您需要了解如何:
❏ 训练、调试和使用时间序列、序列和预测模型。
❏ 训练模型,用于预测单变量和多变量时间序列的值
❏ 为时间序列学习准备数据。
❏ 了解平均绝对误差 (MAE) 及其如何用于评估序列模型的准确性。
- 平均绝对误差 (MAE)能解决什么?
- 评估序列模型是什么?
❏ 为时间序列、序列和预测模型使用 RNN 和 CNN。
❏ 明确在哪些情况下应该使用拖尾窗口,在哪些情况下应该使用居中窗口。
- 拖尾窗口是什么?
- 居中窗口是什么?
❏ 使用 TensorFlow 进行预测。
❏ 准备功能和标签。
❏ 识别和补偿序列偏见。
❏ 动态调整时间序列、序列和预测模型中的学习率。
考试环境
- 您可以在任何时候使用接入互联网且支持 PyCharm IDE 要求的任何计算机参加考试。无需前往测试中心。
- 采用在线形式,考试成绩以具体表现为准,要求学生在 PyCharm 环境中使用 TensorFlow 来实施 TensorFlow 模型。
- 考试时间不超过 5 小时。
- 您需要使用 PyCharm IDE 安装 TensorFlow Exam 插件
- 候选人身份识别和身份验证,主要身份证件(未失效且显示照片和签名)
- 考试费为 100 美元,只有一次考试机会。考试日期推迟到 6 个月内的其他 时间,6 个月后缴费将失效
重新参加考试 每次参加考试都必须报名和付费。
- 如果您首次参加考试时未能通过,那么您必须等待 14 天,然后才能重新参加考试。
- 如果您第二次参加考试时未能通过,那么您必须等待 2 个月,然后才能重新参加考试。
- 如果您第三次参加考试时仍未能通过,那么您必须等待 1 年,然后才能重新参加考试。
认证时效 从您获得数字徽章那天算起,您的证书将在 36 个月后失效。届时,若要更新您的认证,您需要重新 完成报名和认证考试流程。
参与考试的流程一共6步:
1、阅读考生手册,最好学习/复习一下,才好通过考试;
2、注册考试,用Gmail登录,上传照片,提供付款信息;
3、准备考试,用PyCharm IDE安装TensorFlow考试插件;
4、参加考试,考试随时可以参加,限时5小时,可以提前交卷;
5、24小时之内,可以查看你是否通过了考试;
6、如果考过了,就可以把认证添加到自己的GitHub、LinkedIn等社区的资料。
7、具体考试的时候,你要搞定5个模型
考试满分100分,考到90分才能通过。
看到这了,还有考试的必要性嚒?