TensorFlow官方開發者認證:考試費100美元,5小時完成5個模型

2020-12-18 機器之心Pro

機器之心報導

機器之心編輯部

俗話說,「證多不壓身」。作為一個現代人,不考證怎麼證明自己學過?又怎麼加入技能卡?作為業內數一數二的深度學習框架,TensorFlow 似乎也意識到了這一點。今天,TensorFlow 官宣,擁有 TF 技能的開發者也可以進行官方認證啦!認證考試持續 5 小時,費用 100 美元。

TensorFlow 表示,這項測試的目的是向每個人提供展示自己 ML 專業知識的機會。它是一個基礎證書,面向學生、開發者、數據科學家等人群,幫助他們展示自己在用 TensorFlow 構建、訓練模型的過程中所學到的實用機器學習技能。考試題由 TensorFlow 團隊設計。

TensorFlow 的產品總監 Kemal EL Moujahid 在一則推文中解釋了他們推出該認證的初衷,表示「許多想要上手 ML 項目的公司說他們找不到人才,想要入行 ML 的開發者說他們不知道怎麼做。於是,我們推出了 TensorFlow 認證項目來解決這個問題。」

為了對接開發者和需求方,TensorFlow 不僅設置了認證考試,還搭建了一個認證網絡。這個網絡相當於一個人才庫,通過認證考試的開發者會被納入其中,其他人可以通過檢索找到這些人才信息。此外,開發者還可以在簡歷、GitHub 以及社交媒體平臺(如領英)上展示他們獲得的證書。

通過考試之後,你將被納入 TensorFlow 的認證網絡。

對於想要參加認證考試的開發者,TensorFlow 提供了以下信息:

參加認證要滿足什麼條件?

此一級考試認證主要測試的是開發者將機器學習集成至工具或應用上的基本能力。認證程序要求理解如何使用計算機視覺、卷積神經網絡、自然語言處理、現實世界中真實的數據集以及最優策略去建立 TensorFlow 模型。

為了充分應對考試,應試者應該了解下列知識點:

機器學習和深度學習的基本原理;如何使用 TensorFlow 去建立機器學習模型;如何使用深度神經網絡以及卷積神經網絡去開發圖像識別、目標檢測、文本識別等算法;如何使用不同類型、大小的真實圖像數據來可視化圖像在卷積中的處理過程,以此來理解計算機是如何「看到」信息的;探索防止過擬合的策略,包括數據增強及 Dropout 機制;基於 TensorFLow 應用神經網絡去解決自然語言處理的相關問題。

這項認證對我有什麼好處?

學習新東西:這一考試可以提升你的機器學習能力,還能測試你使用 TensorFlow 的技能。獲得社區的承認:得到全球 TensorFlow 社區的認可。展示你的技能:通過將證書展示在簡歷和社交平臺上,你可以成為頂級科技企業入門級 TensorFlow 開發者職位的候選人。尋找人才:通過認證網絡,你可以找到那些擁有證書的人,在 ML 的工作中尋找你想要的人才。

考試重點有哪些?

考試時間總共有 5 小時,在下載並註冊考試插件後開始計時。如果沒能在 5 小時內完成考試,那到時間也會自動提交代碼。

整場考試主要測試學生使用 TensorFlow 構建模型、解決問題的能力。在考試中,參與者需要完成 5 個模型,每一個都屬於不同的類別。考試總分 100 分,過了 90 分就算合格,也就是說 5 個模型都要完成,且只能有一些小錯誤。

考試涉及的模型類別如下:

第一類:基礎、簡單模型第二類:基於學習數據集的模型第三類:採用真實圖像數據訓練卷積神經網絡第四類:採用真實文本數據訓練 NLP 文本分類模型第五類:採用真實數值數據訓練序列模型

深度學習最基礎的知識點其實並不多,全連接、卷積、循環神經網絡就能解決大多數問題,剩下的是各種優化與提升模塊。如果我們要在 5 小時內完成這 5 個模型,從頭寫估計時間會非常緊張,因此我們可以事先完成一部分。例如模型架構、損失函數和最優化器,再加上訓練過程等等。

因為同類模型大多數差別都體現在數據預處理與分批過程,所以後面一大堆代碼都可以事先準備。例如訓練卷積神經網絡,我們可以以 CIFAR-10 為例,搭建一個完整的圖像識別模型,並把數據接口做得更易於遷移。等到拿到真實數據後,只需要改數據接口,再測試幾組超參數就差不多了。

考試手冊並沒有說是 TF 1.X 還是 2.X,很多資深 TF Boy 還會使用 1.X 的靜態計算圖。不過估計考試會採用 2.X,畢竟連 Colab 都開始默認使用 2.X 了。

認證流程是怎樣的?

整個 TensorFlow 認證考試是面向全球的,國內也可以直接參與,但一些受美國制裁的國家和地區不能「直接」參加考試。整個考試的流程可以分為以下 6 個步驟:學習課程、註冊、預備環境、參與考試、收到證書、展示證書。

在考試過程中,遊覽器會被限制只能訪問 TensorFlow 文檔,且每次考試都需要繳納 100 刀。中間的考試環境都是準備好的,TF 團隊把各種配置都集成為 PyCharm IDE 的一個插件,考生只需要熟悉 PyCharm 並安裝了 TensorFlow 就行了。

最後,為了防止某些氪金玩家靠量取勝,TF 規定第一次沒通過考試需要等 14 天才能再次測試,連續兩次沒通過需要等兩個月,而連續三次沒通過需要等一年才能再次測試。

值得注意的是,每次考試的有效期只有三年,也就是說三年後需要重新參加考試。

當然,這個證書只是一個開始,TensorFlow 還計劃為高級從業者提供更高級別的認證。

認證參考地址:https://www.tensorflow.org/certificate

相關焦點

  • TensorFlow 這麼厲害了麼?
    發布時的兩個招牌亮點也體現了這一特點:跨平臺:可以在許多不同平臺上運行,安卓和iOS應用開發者都可以使用快速:針對行動裝置進行了優化,包括快速初始化,顯著提高的模型加載時間,並支持硬體加速也就是說,TensorFlow lite 的重點不是訓練模型,而是降低門檻,讓一些性能不太行的設備也能高效的運行機器學習模型
  • 教程| 如何用TensorFlow在安卓設備上實現深度學習推斷
    在 Insight 任職期間,我用 TensorFlow 在安卓上部署了一個預訓練的 WaveNet 模型。我的目標是探索將深度學習模型部署到設備上並使之工作的工程挑戰!這篇文章簡要介紹了如何用 TensorFlow 在安卓上構建一個通用的語音到文本識別應用程式。圖 1. 流程概述。將 WaveNet 安裝到安卓的三個步驟。
  • Tensorflow基礎教程15天之創建Tensor
    在將Tensor定義為Variable之後,Tensorflow才會將其傳入計算圖。如何操作我們將在這裡介紹創建Tensor的主要方法。序列TensorTensorflow允許我們定義數組Tensor。
  • TensorFlow 2入門指南,初學者必備!
    Tensorflow v1難以使用和理解,因為它的Pythonic較少,但是隨著Keras發行的v2現在與Tensorflow.keras完全同步,它易於使用,易學且易於理解。tensorflow as tffrom tensorflow.keras.layers import Densefrom tensorflow.keras.models import Sequential在這裡,我們從tensorflow
  • 觀點| 別再使用pip安裝TensorFlow了!用conda吧~
    而使用 conda 安裝 GPU 加速版本的 TensorFlow 時,只需使用命令 conda install tensorflow-gpu,這些庫就會自動安裝成功,且版本與 tensorflow-gpu 包兼容。此外,conda 安裝這些庫的位置不會與通過其他方法安裝的庫的其他實例產生衝突。
  • TensorFlow 2.1指南:keras模式、渴望模式和圖形模式(附代碼)
    Keras模式import numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.layers import Input, Dense, Flatten, Conv2Dfrom tensorflow.keras
  • TensorFlow 2.4來了:上線對分布式訓練和混合精度的新功能支持
    根據 TensorFlow 官方博客,本次更新的主要內容整理如下:tf.distribute 中的新功能參數伺服器策略在 TensorFlow 2.4 中,tf.distribute 模塊引入了對使用ParameterServerStrategy 和自定義訓練循環進行模型異步訓練的試驗性支持。
  • 基於RTX2060構建TensorFlow-gpu(keras)學習平臺
    開始菜單運行anaconda navigator檢查是否安裝了notebook(默認有安裝)三、安裝tensorflow/keras在激活的環境中安裝:1. 如果機器上有gpu,則安裝gpu版本,沒有GPU就安裝cpu版。版本問題,現在TensorFlow到了最新的2.0.0版本,但是很多函數不兼容1.**版本。
  • 使用Amazon SageMaker 運行基於 TensorFlow 的中文命名實體識別
    我們知道,預訓練模型可以大幅提升計算機視覺的深度學習算法表現,而在NLP領域也是同理,預訓練語言模型可以有效提升文本分類、機器翻譯、命名實體識別等任務的效果。預訓練語言模型經歷了從詞嵌入(Word Embedding),到BERT,再到ALBERT的演進。
  • 《安娜卡列尼娜》文本生成——利用 TensorFlow 構建 LSTM 模型
    數據預處理在開始模型之前,我們首先要導入需要的包:import timeimport numpy as npimport tensorflow as tf這一部分主要包括了數據的轉換與 mini-batch 的分割步驟。首先我們來進行數據的加載與編碼轉換。
  • 從系統和代碼實現角度解析TensorFlow的內部實現原理 | 深度
    TensorFlow系統更新快速,官方文檔教程齊全,上手快速且簡單易用,支持Python和C++接口。本文依據對Tensorflow(簡稱TF)白皮書[1]、TF Github[2]和TF官方教程[3]的理解,從系統和代碼實現角度講解TF的內部實現原理。以Tensorflow r0.8.0為基礎,本文由淺入深的闡述Tensor和Flow的概念。
  • 用TensorFlow和Keras構建卷積神經網絡
    from tensorflow import kerasfrom tensorflow.keras import layerstotal_pixels = img_size[0] *img_size[1] * 3fc_size = 512inputs = keras.Input(shape=(img_size[1], img_size
  • Google AutoML圖像分類模型|使用指南
    訓練雲模型導航到「訓練(TRAIN)」選項卡,然後單擊「開始訓練(START TRAINING)」。我使用了所有的默認選項。幾個小時後,模型完成,並概述了模型的性能和所用的預算(我分配的全部是16小時)2.
  • 資源| TensorFlow版本號升至1.0,正式版即將到來
    發布地址官網:https://www.tensorflow.org/versions/r1.0/GitHub:https://github.com/tensorflow/tensorflow/releases主要特性和提升TensorFlow Debugger (tfdbg):命令行接口和 API增加新的 python 3 docker 鏡像使
  • 使用Tensorflow+OpenCV構建會玩石頭剪刀布的AI
    首先,這個項目是我在5月份的COVID19隔離期中無聊的產物,希望當你讀到這個時,一切都恢復正常了。我的目的是通過這篇文章用簡單的術語向初學者解釋這個項目的基本原理。讓我們開始吧!在構建任何類型的深度學習應用程式時,有三個主要步驟:收集和處理數據建立一個合適的人工智慧模型部署使用整個項目都引用了我的Github repo,並與之攜手並進,所以請做好參考準備。
  • 用RNN和TensorFlow創作自己的《哈利波特》小說
    圖源:unsplash首先導入所需的庫import tensorflow as tftf.data.Dataset.from_tensor_slices 將文本向量轉換為字符索引流, batch方法(分批處理法)將這些字符按所需的長度分批。
  • 機器學習庫 TensorFlow 1.9.0 發布,大量修復和改進
    2、tf.keras 升級到 Keras 2.1.6 API3、添加 tf.keras.layers.CuDNNGRU 和 tf.keras.layers.CuDNNLSTM 層4、對梯度提升樹估算器 (gradient boosted trees estimators) 添加核心功能欄和損失 (feature columns andlosses) 的支持5、
  • TensorFlow、PyTorch、Keras:NLP框架哪家強
    非競爭性特點下文介紹了TensorFlow、PyTorch和Keras的幾個不同之處,便於讀者對這三個框架有初步了解。列出這些區別的重點不在於對三者做比較,而在於做一個初步介紹。TensorFlow· 開發者:Google· 2017年1月發布1.0版本PyTorch· 開發者:Facebook· 2018年10月發布1.0版本· 基於Torch開發(Torch是基於Lua開發的另一個深度學習框架)Keras· 是一個高級API,降低了深度學習框架的複雜程度
  • 基於Pre-trained模型加速模型學習的6點建議
    6、修改輸出層:把模型參數替換成適用於要解決新領域的新的激活函數和輸出大小。但是,不要把自己局限於最明顯的解決方案中。比如,儘管MNIST只需要10個輸出類,但這些數字有共同的變化,允許有12 - 16個類可能會更好地解決這些問題,並提高模型性能!