In diesem Kurs werden Sie: - funktionale und sequenzielle APIs vergleichen, neue Modelle entdecken, die Sie mit der funktionalen API erstellen können, und ein Modell erstellen, das mehrere Ausgänge erzeugt, einschließlich eines siamesischen Netzwerks - benutzerdefinierte Verlustfunktionen erstellen (einschließlich der kontrastiven Verlustfunktion, die in einem siamesischen Netzwerk verwendet wird), um zu messen, wie gut ein Modell funktioniert, und um Ihrem neuronalen Netzwerk zu helfen, aus den Trainingsdaten zu lernen.

- Bauen Sie auf vorhandenen Standardschichten auf, um benutzerdefinierte Schichten für Ihre Modelle zu erstellen, passen Sie eine Netzwerkschicht mit einer Lambda-Schicht an, verstehen Sie die Unterschiede zwischen ihnen, lernen Sie, was eine benutzerdefinierte Schicht ausmacht, und erkunden Sie Aktivierungsfunktionen. - Bauen Sie auf bestehenden Modellen auf, um benutzerdefinierte Funktionen hinzuzufügen, lernen Sie, wie Sie Ihre eigene benutzerdefinierte Klasse definieren, anstatt die funktionalen oder sequenziellen APIs zu verwenden, erstellen Sie Modelle, die von der TensorFlow-Modellklasse geerbt werden können, und bauen Sie ein Residualnetzwerk (ResNet) durch Definition einer benutzerdefinierten Modellklasse auf. Die DeepLearning.AI TensorFlow: Advanced Techniques Specialization führt in die Funktionen von TensorFlow ein, die Lernenden mehr Kontrolle über ihre Modellarchitektur und Werkzeuge bieten, mit denen sie fortgeschrittene ML-Modelle erstellen und trainieren können. Diese Specialization richtet sich an Softwareentwickler und Ingenieure für maschinelles Lernen, die über ein grundlegendes Verständnis von TensorFlow verfügen und ihre Kenntnisse und Fähigkeiten durch das Erlernen fortgeschrittener TensorFlow-Funktionen zur Erstellung leistungsstarker Modelle erweitern möchten.