TensorFlow认证考试简介

2020 年 4 月 24 日 AINLP

TensorFlow认证考试简介

今年的TensorFlow开发者大会,谷歌宣布了一个名为“TensorFlow Developer Certificate program”的项目/考试。(tensorflow.org/certific)

笔者对这个考试最大的好奇是:考什么,如何考。

这两方面,考什么,类似于谷歌认为什么才能算是合格的TensorFlow开发者的标准。如何考,是作为一个完全远程的考试,怎么考,如何判定结果。

考什么

先给出官方的Handbook (tensorflow.org/site-ass)

关于考什么,官方的Handbook说的相当详细了,在Handbook里面有一个最长的章节,即“Skills checklist”,这里面也就相对的列出了谷歌认为什么样的技能拥有了,算是符合一个合格的TensorFlow开发者,其中大部分其中的描述也适用于其他机器学习框架。

Build and train neural network models using TensorFlow 2.x

在checklist的第一部分,首先明确了这是针对TensorFlow 2.x的认证,2.x现在的逐渐发展是向着Keras,或者说pyTorch那样的模块化走的。

  • Use TensorFlow 2.x.

  • Build, compile and train machine learning (ML) models using TensorFlow.

  • Preprocess data to get it ready for use in a model.

  • Use models to predict results.

  • Build sequential models with multiple layers.

  • Build and train models for binary classification.

  • Build and train models for multi-class categorization.

  • Plot loss and accuracy of a trained model.

  • Identify strategies to prevent overfitting, including augmentation and dropout.

  • Use pretrained models (transfer learning).

  • Extract features from pre-trained models.

  • Ensure that inputs to a model are in the correct shape.

  • Ensure that you can match test data to the input shape of a neural network.

  • Ensure you can match output data of a neural network to specified input shape for test data.

  • Understand batch loading of data.

  • Use callbacks to trigger the end of training cycles.

  • Use datasets from different sources.

  • Use datasets in different formats, including json and csv.

  • Use datasets from tf.data.datasets.

其实机器学习考试是很难考核模型本身“效果”的优劣的,例如某个模型必须准确率到99.5%之类,毕竟有一定随机性的,所以其实重要的是,至少能把符合输入输出要求的模型搭建起来,也就是对于问题的基本建模能力。

第一部分上面这些条目也主要是如何搭建模型,尤其是如何使用TensorFlow 2.x自己的组件,如tf.data去搭建模型的输入输出。

其他部分

图像

  • Define Convolutional neural networks with Conv2D and pooling layers.

  • Build and train models to process real-world image datasets.

  • Understand how to use convolutions to improve your neural network.

  • Use real-world images in different shapes and sizes..

  • Use image augmentation to prevent overfitting.

  • Use ImageDataGenerator.

  • Understand how ImageDataGenerator labels images based on the directory structure.

文本

  • Build natural language processing systems using TensorFlow.

  • Prepare text to use in TensorFlow models.

  • Build models that identify the category of a piece of text using binary categorization

  • Build models that identify the category of a piece of text using multi-class categorization

  • Use word embeddings in your TensorFlow model.

  • Use LSTMs in your model to classify text for either binary or multi-class categorization.

  • Add RNN and GRU layers to your model.

  • Use RNNS, LSTMs, GRUs and CNNs in models that work with text.

  • Train LSTMs on existing text to generate text (such as songs and poetry)

时间序列

  • Train, tune and use time series, sequence and prediction models.

  • Prepare data for time series learning.

  • Understand Mean Average Error (MAE) and how it can be used to evaluate accuracy of sequence models.

  • Use RNNs and CNNs for time series, sequence and forecasting models.

  • Identify when to use trailing versus centred windows.

  • Use TensorFlow for forecasting.

  • Prepare features and labels.

  • Identify and compensate for sequence bias.

  • Adjust the learning rate dynamically in time series, sequence and prediction models.

上面提到的任务、方法涉及到:图像卷积、图像分类、图像增强、文本二分类、文本多分类、RNN的运用、文本生成、时间序列预测这些任务。

也就是说,要通过考试,应该对上面的任务有一定的理解,知道相关问题如何建模,知道如何用TensorFlow 2.x自有的方法处理或建模。

如何考

这也是一个很有意思一点,就是这次考试是用PyCharm安装一个考试的插件,连接远程的服务器进行考试,在连接成功那一刻开始,考试就会开始计时,在这个过程中可以任意提交模型/完成所有题目的答卷。

远程考试,事实上就是一种开卷考试了,考核的基本上是建模和基本解决问题的能力,而不是得到最优解的能力。所以就算通过了这个认证,其实也就是说你有用TensorFlow解决一些问题的基本能力,不过是否有很好的优化模型、创造模型、应对更现实多变的情况的建模能力,就不在这个考试范畴内。

引申一下,这种考试系统感觉上还是比较好的,可以一定程度用在远程面试、内部考核上,不一定非要PyCharm,可以考虑docker + code-server就可以实现类似的功能,最后由一个统一的认真服务器测试输出的模型,甚至是程序源代码即可。(code-server:web版的vs code)

FAQ

  • 国内考试需要护照,和“能上网”的PyCharm

  • 考试只考TensorFlow 2.x,或者你可以粗暴理解为只考Keras相关也没问题

  • 提交只提交save的模型

  • 考试不需要显卡或太好的电脑,如果这个考试里面出现了必须用2080显卡训练2个小时才能实现,那是不是太过分了,所以如果你在过程中遇到了这个问题,那大概率说明你实现错了

  • 5个模型

  • 具体如何判断是否通过未知,而且规则也可能改吧

  • 考试的时候可以查阅资料的范围,参考官方说法:You may use whatever learning resources you would normally use during your ML development work.


推荐阅读

AINLP年度阅读收藏清单

百度PaddleHub NLP模型全面升级,推理性能提升50%以上

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

数学之美中盛赞的 Michael Collins 教授,他的NLP课程要不要收藏?

自动作诗机&藏头诗生成器:五言、七言、绝句、律诗全了

From Word Embeddings To Document Distances 阅读笔记

模型压缩实践系列之——bert-of-theseus,一个非常亲民的bert压缩方法

这门斯坦福大学自然语言处理经典入门课,我放到B站了

可解释性论文阅读笔记1-Tree Regularization

征稿启示 | 稿费+GPU算力+星球嘉宾一个都不少

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区,专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享,主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等,欢迎关注!加技术交流群请添加AINLPer(id:ainlper),备注工作/研究方向+加群目的。


登录查看更多
1

相关内容

Google发布的第二代深度学习系统TensorFlow
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
专知会员服务
118+阅读 · 2020年7月22日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
TensorFlow.js 实例上手指南
专知
3+阅读 · 2018年12月10日
从零开始深度学习第8讲:利用Tensorflow搭建神经网络
【推荐】用TensorFlow实现LSTM社交对话股市情感分析
机器学习研究会
11+阅读 · 2018年1月14日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
tensorflow项目学习路径
北京思腾合力科技有限公司
10+阅读 · 2017年11月23日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
【推荐】TensorFlow手把手CNN实践指南
机器学习研究会
5+阅读 · 2017年8月17日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Music Transformer
Arxiv
5+阅读 · 2018年12月12日
Arxiv
5+阅读 · 2018年1月18日
VIP会员
相关VIP内容
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
专知会员服务
118+阅读 · 2020年7月22日
TensorFlow Lite指南实战《TensorFlow Lite A primer》,附48页PPT
专知会员服务
69+阅读 · 2020年1月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
相关资讯
TensorFlow.js 实例上手指南
专知
3+阅读 · 2018年12月10日
从零开始深度学习第8讲:利用Tensorflow搭建神经网络
【推荐】用TensorFlow实现LSTM社交对话股市情感分析
机器学习研究会
11+阅读 · 2018年1月14日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
tensorflow项目学习路径
北京思腾合力科技有限公司
10+阅读 · 2017年11月23日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
【推荐】TensorFlow手把手CNN实践指南
机器学习研究会
5+阅读 · 2017年8月17日
Top
微信扫码咨询专知VIP会员